10.11835/j.issn.1000-582X.2020.09.010
基于深度学习的含未知复合故障多传感器信号故障诊断
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.
深度学习、CNN、LSTM、FCM、多传感器、未知复合故障、故障诊断
43
TP277(自动化技术及设备)
国家自然科学基金资助项目61573366
2020-10-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
93-100