10.16526/j.cnki.11-4762/tp.2021.10.037
基于LSTM神经网络的管道缺陷模式识别方法研究
针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95%,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.
管道;ICEEMDAN分解;长短时记忆网络(LSTM);故障诊断;深度学习
29
TH113.1;TH17
国家自然科学基金项目;江苏省教育厅自然科学重大项目;江苏省研究生科研与实践创新计划项目
2021-11-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
204-210