發(fā)布時(shí)間：2024-04-10 05:59

　　神經(jīng)網(wǎng)絡(luò)預(yù)測和貝葉斯假設(shè)檢驗(yàn)常用于旋轉(zhuǎn)機(jī)械的損傷識別。神經(jīng)網(wǎng)絡(luò)用于預(yù)測外激勵(lì)作用下旋轉(zhuǎn)機(jī)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(jī)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(shí)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(jì)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(jì)中直接得出的,而無需對數(shù)據(jù)進(jìn)行任何分布假設(shè),并結(jié)合長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)預(yù)測模型,實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械的故障損傷識別。通過使用實(shí)際運(yùn)行的壓縮機(jī)數(shù)據(jù),與傳統(tǒng)方法進(jìn)行比較,驗(yàn)證了新方法對旋轉(zhuǎn)機(jī)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(jì)原理

核密度估計(jì)將每個(gè)待測點(diǎn)的出現(xiàn)位置看成一個(gè)分布，局部核函數(shù)K(x)代表其概率密度分布，K(x)在點(diǎn)實(shí)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(diǎn)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(shí)，它接近于數(shù)據(jù)的真實(shí)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(gè)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(xì)胞和Dropout搭建雙層循環(huán)神經(jīng)網(wǎng)絡(luò)。隱藏層的每個(gè)LSTM層后面增加一個(gè)Dropout層，這樣在前向傳播時(shí)，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(qiáng)模型的泛化性，防止....

圖3算法流程

整個(gè)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?jǐn)?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?jǐn)?shù)據(jù)進(jìn)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(shí)測數(shù)據(jù)進(jìn)行預(yù)測，得到實(shí)測的殘差數(shù)據(jù)。使用核密度估計(jì)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(shí)際運(yùn)行離心壓縮機(jī)收集的數(shù)據(jù)，通過比較研究，對所發(fā)展的新方法進(jìn)行效果驗(yàn)證。由于壓縮機(jī)一個(gè)葉片斷裂，導(dǎo)致該壓縮機(jī)非正常停運(yùn)。這算例使用壓縮機(jī)失效前的數(shù)據(jù)來進(jìn)行顯示新方法的有效性。壓縮機(jī)的傳感器測點(diǎn)位置如圖4所示，包含11個(gè)變量（兩個(gè)軸承溫度變量）....

本文編號：3950253