针对电潜螺杆泵故障预测中发生故障难以及时发现、发现难以准确判别故障类型等问题,提出一种基于深度学习长短期记忆网络(LSTM)结合概率神经网络(PNN)的电潜螺杆泵故障预测方法。以LSTM网络为回归模型,使用时间序列法预测故障信号的未来趋势,利用小波包分解螺杆泵的故障信号,提取其中的故障特征,再结合油压、产量等多个工作参数,构建电潜螺杆泵的故障特征向量,并凭借PNN网络判别预测信号故障类型。收集新疆油田120组故障数据作为数据集对预测模型进行训练,从中取出90组数据作为故障数据库对模型进行训练,取出30组数据作为测试组测试模型准确率,使用LSTM-PNN神经网络预测模型分别对两组数据进行电潜螺杆泵故障预测。结果表明预测前提取故障信号特征可有效提高电潜螺杆泵的故障预测精度,较常规电潜螺杆泵故障预测方法,LSTM-PNN网络预测具有...

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法(BWO)优化的长短期记忆神经网络(LSTM)与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数R2为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。

针对旋转机械滚动轴承的故障振动信号具有时序性的特点,提出了改进LSTM的滚动轴承故障诊断方法。首先利用卷积神经网络(CNN)对振动信号进行局部特征提取,然后通过长短期记忆神经网络(LSTM)获取振动信号时间维度上的特征,使得CNN提取的信号特征经过LSTM处理后更加具有时间依赖性,最后运用Softmax分类器输出故障状态类型。并且对改进LSTM模型、CNN模型和原LSTM模型进行了泛化性能和抗噪性对比。实验表明改进LSTM模型比CNN模型和原LSTM模型更能有效的识别滚动轴承的十种故障类型,泛化性和抗噪性均优于CNN模型和原LSTM模型。

为在风电机组多源异构SCADA大数据中挖掘有效信息,保证短期功率预测精度,针对数据在时间维度上的记忆特征,提出主成分分析(PCA)与长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)相结合的短期功率预测模型。运用Pearson相关系数将海量的负荷数据、气象数据等相关数据进行初步提取,运用PCA技术降低数据维度,再将压缩后的数据输入LSTM网络进行短期负荷预测。实验结果表明,所提的方法比经典的时序预测方法如Arima、SVM等具有更高的精度,具有更稳定的预测结果。

加工过程中为避免因机床异常振动造成的零件表面粗糙度突变,提出一种基于LSTM算法的表面粗糙度监控模型,通过对主轴与台面安装传感器,实现机床振动量的实时采集并作为时序变量输入模型。在M-V5CN组合机床铣削U71Mn高锰钢样本集上证明该模型可有效训练,且RMSprop优化器相对于Adam与SGD算法优化器可更有效降低模型泛化性误差。最终在嵌入式开发板中预测最大绝对误差低至0.01μm,平均误差为0.005μm可在加工中对表面粗糙度进行有效监控。

由于气动系统具有迟滞、强非线性特性,难以直接依据气压信号实现气动夹持力的有效控制,因此采用建模估计夹持力是实现无力传感器低成本控制的有效途径。为此,提出一种基于卷积神经网络(CNN)优化的长短期记忆神经网络(LSTM)低成本气动夹持力估计方法。根据工业机器人末端气爪夹持力与气路历史输入/输出有关的特点,采用了具有记忆特性的LSTM网络建立无传感器气压/压力估计模型;针对直接采用LSTM网络进行建模存在误差大的问题,利用CNN提取输入信息中气压和夹持力的非线性关系,进一步对LSTM网络结构进行优化,提高模型描述气压和夹持力之间多值对应特性与非线性迟滞特性的能力,实现气爪的夹持力有效估计。实验结果表明:相比LSTM预测模型,所提模型的建模估计与验证估计均方根误差分别减少77.14%和70.83%,最大误差分别减少79.80%和78.84%,证明了所提建...

数控机床加工中的机床故障会影响加工精度。提出一种预测方法,在加工前预判机床的故障,避免机床在加工中发生故障影响加工精度。为了快速准确地预测数控机床故障,采用遗传算法优化长短期记忆神经网络模型,预测服役过程数控机床中可能出现的故障。采集不同状态下的故障信号作为网络训练样本,采用网络模型预测机床出现故障的状态。结果表明:GA-LSTM是一种精度较高的预测模型,在数控机床故障预测中具有良好的表现,可以避免机床出现故障而影响加工精度的情况。

针对电液伺服阀故障预测中故障类型复杂多变、早期故障较弱、时间序列难以处理等问题,构建了卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的电液伺服阀故障预测模型,取代人工特征选择和提取,解决故障预测的时序问题。以G761型电液伺服阀为例,利用AMESim软件对伺服阀阀芯磨损和孔板堵塞故障数据集进行了仿真,并用仿真故障数据验证了模型的预测精度。同时将LSTM,CNN,CNN+LSTM 3种模型针对电液伺服阀故障预测诊断的精度进行对比,CNN+LSTM故障预测模型训练时间更快,得到更高的预测精度,具有更好的适应性。