10.3969/j.issn.1671-8186.2023.01.010
基于长短时记忆网络的车削设备预测性维护
为保证生产过程的稳定性,减少维修时间,制造企业对设备预测性维护的探索日益兴起.同时,随着计算机算力的提升,深度学习领域不断发展.然而,当前制造企业中,少有利用深度学习处理时序传感器信号,进行预测性维护的案例.本文利用高频振动信号,通过长短时记忆网络,针对车削机台的两种常见故障进行预测,准确度达到87.5%.同时对比了使用数字信号处理方法提取特征并进行特征工程的机器学习模型,证明了长短时记忆网络在工况复杂多变的真实生产环境下,预测车削设备故障的优势,也是对利用深度学习与振动信号进行设备预测性维护方式的有效尝试.
深度学习、机器学习、振动、预测性维护、车削
TP391.41;F426.4;G712
2023-03-07(万方平台首次上网日期,不代表论文的发表时间)
共6页
46-51