在航空发动机液压管路故障信号中,因含有噪声的干扰,导致针对液压管路故障的识别准确率较低,为此,提出了一种基于长短期记忆(LSTM)神经网络的航空液压管路故障诊断方法。首先,采集了航空发动机液压管路故障的振动信号,根据管路信号的特点设计并确定了LSTM模型;然后,开展了实例分析,将采集的液压管路原始振动信号加入了高斯噪声,并创建成液压管路数据集,利用所建长短期记忆神经网络模型对液压管路数据集进行了时序信息融合;最后,针对液压管路不同的故障情况,采用LSTM神经网络模型与循环神经网络(RNN)、卷积神经网络(CNN)、支持向量机(SVM)和反向传播神经网络(BPNN)等模型,进行了对比分析,验证了LSTM模型对航空液压管路故障分类的可行性和有效性。研究结果表明:在识别故障管路精度上,LSTM神经网络模型明显优于SVM和BPNN等传统的浅层神经网络模型;...

对风力发电机机组的运行状况进行实时监测,并识别其健康状态,是保证机组正常运行的关键,为此提出一种固有时间尺度分解(Intrinsic time-scale decomposition,ITD)-多尺度熵(Multiscale entropy,MSE)的振动信号分析方法,对振动信号进行预处理,提取重构信号时域特征,并结合极限学习机(Extreme learning machine,ELM)对风电轴承健康状态进行识别。首先采用ITD方法对风电轴承的振动信号进行分解,得到一系列固有旋转分量,并计算其多尺度熵值,以多尺度熵值大小为依据,选取固有旋转分量并进行信号重构。计算重构信号的均方根值、峭度值、峰值因子与峰峰值,并将其作为特征指标值,建立ELM识别模型,识别风电轴承的健康状态。风电轴承试验结果表明,本文模型可以准确识别风电轴承健康状态。