針對柔性材料卷對卷設(shè)備的性能衰退問題,提出了一種LSTM-SVM性能衰退預(yù)測模型。通過分析LSTM網(wǎng)絡(luò)和SVM網(wǎng)絡(luò)的數(shù)學(xué)原理,構(gòu)建了LSTM-SVM網(wǎng)絡(luò)模型,并根據(jù)實(shí)驗(yàn)對象及實(shí)驗(yàn)數(shù)據(jù)的特點(diǎn),設(shè)置了性能衰退預(yù)測模型的關(guān)鍵參數(shù)。最后,將110組長度為1 000個數(shù)據(jù)點(diǎn)的軸承振動數(shù)據(jù)作為輸入來訓(xùn)練網(wǎng)絡(luò)模型。通過實(shí)驗(yàn)發(fā)現(xiàn),LSTM-SVM模型有效預(yù)測了卷對卷設(shè)備的性能衰退情況,成功劃分了設(shè)備的健康狀態(tài),準(zhǔn)確度為0.535,擬合情況良好,表明該模型在卷對卷設(shè)備性能衰退預(yù)測方面具有可行性。損失值在模型訓(xùn)練到第7次時收斂,其學(xué)習(xí)速率比一般的LSTM模型更快。結(jié)果表明,LSTM-SVM模型在處理大量數(shù)據(jù)方面比LSTM模型更具有優(yōu)勢。 

【文章來源】：機(jī)電工程技術(shù). 2020,49(11)

【文章頁數(shù)】：4 頁

【文章目錄】：
0 引言
1 LSTM-SVM神經(jīng)網(wǎng)絡(luò)模型框架
2 基于LSTM-SVM的卷對卷設(shè)備性能衰退預(yù)測模型建模
    2.2 支持向量機(jī)
    2.3 LSTM-SVM神經(jīng)網(wǎng)絡(luò)模型參數(shù)
3 LSTM-SVM性能衰退預(yù)測模型試驗(yàn)研究
    3.1 搭建實(shí)驗(yàn)平臺
    3.2 實(shí)驗(yàn)測試及結(jié)果分析
4 結(jié)束語



本文編號：3151311