為了提高長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型(long short-term memory recurrent neural network,簡(jiǎn)稱LSTM-RNN)對(duì)滾動(dòng)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(dòng)軸承故障分類方法。首先,建立滾動(dòng)軸承故障信號(hào)仿真模型,分析滾動(dòng)軸承故障仿真信號(hào)頻譜特征及其故障分類特點(diǎn);其次,結(jié)合多標(biāo)簽LSTM-RNN模型結(jié)構(gòu)特點(diǎn),對(duì)滾動(dòng)軸承頻譜特征向量進(jìn)行編碼,并利用仿真故障信號(hào)驗(yàn)證多標(biāo)簽LSTM-RNN分類方法的有效性;最后,搭建滾動(dòng)軸承故障模擬試驗(yàn)臺(tái),采集3類轉(zhuǎn)速不同故障類型滾動(dòng)軸承故障振動(dòng)信號(hào),并采用3種特征提取方法得到共9組試驗(yàn)數(shù)據(jù),基于該數(shù)據(jù)對(duì)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(duì)比試驗(yàn)。試驗(yàn)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(dòng)信號(hào)...

【文章頁(yè)數(shù)】：10 頁(yè)

【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(dòng)軸承故障信號(hào)仿真建模與特征分析
    2.1 滾動(dòng)軸承故障信號(hào)仿真建模
    2.2 滾動(dòng)軸承故障特征分析
3 多標(biāo)簽LSTM-RNN滾動(dòng)軸承故障分類方法
    3.1 滾動(dòng)軸承故障特征編碼
    3.2 多標(biāo)簽LSTM-RNN分類模型
    3.3 滾動(dòng)軸承仿真故障信號(hào)分類驗(yàn)證
4 試驗(yàn)研究
    4.1 試驗(yàn)系統(tǒng)搭建
    4.2 多標(biāo)簽LSTM-RNN分類方法試驗(yàn)結(jié)果
5 結(jié)論



本文編號(hào)：3875149