神經(jīng)網(wǎng)絡(luò)預(yù)測和貝葉斯假設(shè)檢驗常用于旋轉(zhuǎn)機械的損傷識別。神經(jīng)網(wǎng)絡(luò)用于預(yù)測外激勵作用下旋轉(zhuǎn)機械的動力響應(yīng),貝葉斯方法使用傳感數(shù)據(jù)和模型預(yù)測之間的殘差數(shù)據(jù)獲得旋轉(zhuǎn)機械的健康概率。然而傳統(tǒng)的貝葉斯方法是從數(shù)據(jù)的高斯分布假設(shè)中得出的。在實際工程中經(jīng)常違反此假設(shè),影響損傷識別精度。針對這一問題,本文提出了一種基于核密度估計的非參數(shù)貝葉斯評估方法。貝葉斯置信度是從核密度估計中直接得出的,而無需對數(shù)據(jù)進行任何分布假設(shè),并結(jié)合長短時記憶神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)預(yù)測模型,實現(xiàn)旋轉(zhuǎn)機械的故障損傷識別。通過使用實際運行的壓縮機數(shù)據(jù),與傳統(tǒng)方法進行比較,驗證了新方法對旋轉(zhuǎn)機械故障損傷識別的有效性。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1核密度估計原理

核密度估計將每個待測點的出現(xiàn)位置看成一個分布，局部核函數(shù)K(x)代表其概率密度分布，K(x)在點實際出現(xiàn)位置概率最高。全局分布密度函數(shù)可視為所有待測點局部核函數(shù)的疊加，如圖1所示。帶寬h也是影響分布擬合效果的重要參數(shù)。理論上，當(dāng)h趨于零時，它接近于數(shù)據(jù)的真實分布。但是，h值太小會....

圖2預(yù)測模型結(jié)構(gòu)

本研究發(fā)展一個雙層深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)LSTM模型用于預(yù)測系統(tǒng)反應(yīng)。如圖2所示，模型的隱藏層采用LSTM細胞和Dropout搭建雙層循環(huán)神經(jīng)網(wǎng)絡(luò)。隱藏層的每個LSTM層后面增加一個Dropout層，這樣在前向傳播時，可以讓神經(jīng)元的激活值以指定的概率停止工作，從而增強模型的泛化性，防止....

圖3算法流程

整個算法的流程如圖3所示，我們將健康數(shù)據(jù)分為兩部分，一部分數(shù)據(jù)用來訓(xùn)練預(yù)測模型，然后使用預(yù)測模型對另一部分數(shù)據(jù)進行預(yù)測，得到健康狀態(tài)下的殘差數(shù)據(jù)。使用預(yù)測模型對系統(tǒng)狀態(tài)不知的實測數(shù)據(jù)進行預(yù)測，得到實測的殘差數(shù)據(jù)。使用核密度估計方法訓(xùn)練健康狀態(tài)殘差數(shù)據(jù)得到健康殘差分布。使用健康殘差....

圖4傳感器位置與類型

使用一組從轉(zhuǎn)速5556r/min的實際運行離心壓縮機收集的數(shù)據(jù)，通過比較研究，對所發(fā)展的新方法進行效果驗證。由于壓縮機一個葉片斷裂，導(dǎo)致該壓縮機非正常停運。這算例使用壓縮機失效前的數(shù)據(jù)來進行顯示新方法的有效性。壓縮機的傳感器測點位置如圖4所示，包含11個變量（兩個軸承溫度變量）....

本文編號：3950253