基于LSTM和证据理论的引风机轴承故障诊断
文档名：基于LSTM和证据理论的引风机轴承故障诊断
摘要：引风机作为锅炉的重要辅机,其轴承的异常振动可能会给电厂造成重大损失,但引风机内部结构复杂,难以构建精确的机理模型对其进行故障诊断.针对此问题提出了基于数据驱动的故障诊断方法,此方法通过长短期记忆(LSTM)神经网络的预测能力和证据理论的多源信息融合能力对引风机轴承的状态进行诊断,再利用LSTM神经网络对于去噪数据进行预测,求取预测值与去噪值的均方根误差(RMSE),最后利用改进后的证据理论对不同参数的RMSE融合并进行故障诊断.结果表明:该方法能提前约350s预测引风机轴承异常振动,准确地诊断出引风机轴承振动的状态,可有效改善数据冲突的问题.
作者：田亮袁存波Author：TIANLiangYUANCunbo
作者单位：华北电力大学自动化系,河北保定071003
刊名：动力工程学报 ISTICPKU
Journal：JournalOfChineseSocietyOfPowerEngineering
年，卷(期)：2023, 43(5)
分类号：TP277TP18
关键词：引风机轴承故障诊断长短期记忆神经网络证据理论
机标分类号：TH17TP277TP391
在线出版日期：2023年6月13日
基金项目：国家重点研发计划基于LSTM和证据理论的引风机轴承故障诊断[
期刊论文]动力工程学报--2023, 43(5)田亮袁存波引风机作为锅炉的重要辅机,其轴承的异常振动可能会给电厂造成重大损失,但引风机内部结构复杂,难以构建精确的机理模型对其进行故障诊断.针对此问题提出了基于数据驱动的故障诊断方法,此方法通过长短期记忆(LSTM)神经网...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于LSTM和证据理论的引风机轴承故障诊断Fault Diagnosis of Induced Draft Fan Bearing Based on LSTM and Evidence Theory
基于LSTM和证据理论的引风机轴承故障诊断.pdf
页:
[1]