《基于深度学习的含未知复合故障多传感器信号故障诊断》PDF+DOC
作者:邢砾文,姚文凯,黄莹
单位:重庆大学
出版:《重庆大学学报》2020年第09期
页数:8页 (PDF与DOC格式可能不同)
PDF编号:PDFFIVE2020090100
DOC编号:DOCFIVE2020090109
下载格式:PDF + Word/doc 文字可复制、可编辑
《基于多传感器信息融合的故障诊断方法》PDF+DOC2016年第01期 孙国玺,雷高伟,张清华,王磊,邵龙秋
《多传感器信息融合与神经网络的汽轮机的故障分析》PDF+DOC2017年第22期 刘国斌
《基于多传感器的神经网络和D-S证据理论在故障诊断中的应用》PDF+DOC2017年第04期 周国宪,伍星,刘韬
《基于深度卷积网络的多传感器信号故障诊断方法研究》PDF+DOC2018年第01期 吴魁,王仙勇,孙洁,黄玉龙
《基于故障诊断与数据融合的pH值测试研究》PDF+DOC2001年第04期 张荣标
《基于K-最近邻算法的挠度传感器有效度研究》PDF+DOC2012年第05期 黄晓微,陈伟民,章鹏,胡顺仁
《基于基座多振动信号融合的转子故障诊断》PDF+DOC2010年第05期 张田,蒋桂林,李新春,陆利威
《模糊数据融合故障诊断在电缆监测中的应用》PDF+DOC2010年第02期 孙文义,马淑华,顾德英
《一种基于多传感器信息融合的故障诊断方法》PDF+DOC2009年第01期 马大中,张化光,冯健,刘金海
《证据理论在旋转机械故障诊断中应用》PDF+DOC2007年第02期 刘永安,白文宝,徐保国
深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络(CNN, convolution neural networks)和长短时记忆网络(LSTM, long short-term memory networks)就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM(fuzzy C-means)模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。
提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。