基于RNN-LSTM的磨矿系统故障诊断技术 | |
曲星宇1,2,4,5; 李俊鹏3; 曾鹏1,4,5 | |
刊名 | 信息与控制 |
2019 | |
卷号 | 48期号:2页码:179-186 |
关键词 | 故障诊断 深度学习 循环神经网络 长短期记忆故障诊断 |
ISSN号 | 1002-0411 |
其他题名 | Fault Diagnosis Technology of Grinding System Based on RNN-LSTM |
产权排序 | 1 |
英文摘要 | 目前磨矿系统故障诊断多为人为判断,效率低、准确率低、成本高且容易造成人员伤亡.传统方法对高维度和时间相关性较大的样本数据集分类能力较差,针对以上问题,提出一种基于RNN-LSTM(Recurrent Neural Network-Long Short-Term Memory)的深度学习方法,实现磨矿系统故障的智能化诊断.该方法通过将数据集"分批处理"分别输入到LSTM单元网络中,提取数据集在时间维度上的相关性,并比较分析前后时刻的输入特征向量实现对故障分类.通过分别对RNN-LSTM深度学习网络与基于自编码分类方法进行实验对比验证,得出结论:在时间相关性较强的高维度数据集中基于RNN-LSTM深度方法辨识效果明显优于基于自编码方法的分类器,最终网络对于故障诊断的错误率低至3%. |
语种 | 中文 |
资助机构 | 国家自然科学基金资助项目( 61533015) ; 沈阳市科技局科技重大攻关( 创新专项) 基金资助项目( F15-007-2-00) |
内容类型 | 期刊论文 |
源URL | [http://ir.sia.cn/handle/173321/24714] |
专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
通讯作者 | 曲星宇 |
作者单位 | 1.中国科学院沈阳自动化研究所工业控制网络与系统研究室 2.中国科学院大学 3.北方重工集团有限公司 4.中国科学院机器人与智能制造创新研究院 5.中国科学院沈阳自动化研究所机器人学国家重点实验室 |
推荐引用方式 GB/T 7714 | 曲星宇,李俊鹏,曾鹏. 基于RNN-LSTM的磨矿系统故障诊断技术[J]. 信息与控制,2019,48(2):179-186. |
APA | 曲星宇,李俊鹏,&曾鹏.(2019).基于RNN-LSTM的磨矿系统故障诊断技术.信息与控制,48(2),179-186. |
MLA | 曲星宇,et al."基于RNN-LSTM的磨矿系统故障诊断技术".信息与控制 48.2(2019):179-186. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论