為了提高長短時記憶神經(jīng)網(wǎng)絡(luò)模型(long short-term memory recurrent neural network,簡稱LSTM-RNN)對滾動軸承故障分類的正確率并減少訓(xùn)練樣本量,提出一種基于多標(biāo)簽LSTM-RNN的滾動軸承故障分類方法。首先,建立滾動軸承故障信號仿真模型,分析滾動軸承故障仿真信號頻譜特征及其故障分類特點;其次,結(jié)合多標(biāo)簽LSTM-RNN模型結(jié)構(gòu)特點,對滾動軸承頻譜特征向量進(jìn)行編碼,并利用仿真故障信號驗證多標(biāo)簽LSTM-RNN分類方法的有效性;最后,搭建滾動軸承故障模擬試驗臺,采集3類轉(zhuǎn)速不同故障類型滾動軸承故障振動信號,并采用3種特征提取方法得到共9組試驗數(shù)據(jù),基于該數(shù)據(jù)對多標(biāo)簽LSTM-RNN分類方法和單標(biāo)簽LSTM-RNN分類方法進(jìn)行對比試驗。試驗結(jié)果表明:多標(biāo)簽LSTM-RNN分類方法相比于單標(biāo)簽LSTM-RNN分類方法,平均分類正確率從69.07%提高到99.21%;在保證兩種分類方法正確率相近情況下,多標(biāo)簽LSTM-RNN分類方法訓(xùn)練所需樣本量比單標(biāo)簽LSTM-RNN分類方法平均減少69.55%。多標(biāo)簽LSTM-RNN分類方法適用于復(fù)雜振動信號...

【文章頁數(shù)】：10 頁

【文章目錄】：
引言
1 LSTM-RNN模型
    1.1 RNN模型
    1.2 帶有窺視孔連接的LSTM結(jié)構(gòu)
2 滾動軸承故障信號仿真建模與特征分析
    2.1 滾動軸承故障信號仿真建模
    2.2 滾動軸承故障特征分析
3 多標(biāo)簽LSTM-RNN滾動軸承故障分類方法
    3.1 滾動軸承故障特征編碼
    3.2 多標(biāo)簽LSTM-RNN分類模型
    3.3 滾動軸承仿真故障信號分類驗證
4 試驗研究
    4.1 試驗系統(tǒng)搭建
    4.2 多標(biāo)簽LSTM-RNN分類方法試驗結(jié)果
5 結(jié)論



本文編號：3875149