滚动轴承在发生故障时,故障振动信号具有非稳定性、非线性的特点,难以对其中的故障特征进行提取,导致轴承故障诊断的识别率较低。为了提高滚动轴承故障分类的准确率,提出了一种基于集合经验模态分解法(Ensemble Em pirical Mode De com pos ition, EEMD)与长短时记忆(Long Short Te rm Me m ory, LSTM)神经网络相结合的滚动轴承故障识别的方法。首先采用EEMD算法将目标振动信号分解成若干个本征模态函数(Intrinsic Mode Function, IMF)分量。然后利用主成分分析法(Principal Component Analysis, PCA)对IMF分量进行降维,选取含有主要故障特征信号的分量。最后计算IMF主成分分量占各自总能量的比例,并将能量比所组成的特征向量作为LSTM神经网络的输入参数进行故障识别。将识别的结果与不同的故障诊断模型所得的结果进行对比分析,仿真结果表明文中所用的方法在轴承故障诊断中准确...

为有效提取振动信号中隐含的故障特征,以准确判别机械故障类型,提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征;通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间,进而更高效地发掘上层网络输出信号中隐含的时间特征。同时,引入缩放指数线性单元函数以提升网络自归一化性能,并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后,基于机械故障实测数据集开展对比实验,结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。

稀土熔盐电解过程中电解给料自动辅机组件之间工作关联大,故障复杂多样,使用单一故障诊断方法效果不理想。针对这一问题,通过分析给料自动辅机组件之间的工作关系,提出基于故障树和LSTM-SVM的粉体下料设备故障诊断方法。首先搭建多层故障树,分析故障模式,然后根据故障树数据提取重要度较高的故障模式,建立长短期记忆神经网络故障诊断模型,故障定位后根据故障树分析结果所定义的权重大小输出诊断结果,并使用SVM对非故障异常工作状态进行分级。测试结果表明该模型具有较高的故障识别准确率。

地震模拟振动台的控制多采用三参量控制作为底层控制算法,三参量控制参数多,整定耗时费力。提出一种基于LSTM(长短时记忆网络)的振动台三参量控制参数整定算法。将振动台系统的测试加速度输入和输出数据分为训练集、测试集和验证集,建立并训练一个LSTM深度网络用以模拟振动台的系统模型;针对LSTM深度网络模型引入新的三参量控制环节,采用梯度下降法进行控制参数的离线整定;最后将整定参数与控制系统原参数进行合并用于实机验证。结果表明:所提出的整定方法可以达到优于手动调参的结果,整定过程通过系统模型离线完成,不需实机运行,具有效率高、效果好的优点.

在液压系统中,液压管路是实现压力传导功能的重要组成部分,其压力值的变化不容忽视。在环境误差等因素的影响下,液压管路的压力变化呈现非线性和不稳定性。为解决该问题,提出基于粒子群优化算法(PSO)改进的基于注意力机制(Attention)的长短期记忆神经网络(LSTM)的液压管路压力预测方案。用某飞机液压管路的压力检测值作为输入数据,实现液压管路某支路位置的压力预测,并完成预测结果的可视化。实验结果表明,该模型预测平均误差为1.78%,符合液压管路压力预测要求。

液压支架是矿井综采和综放开采智能工作面的关键支护与放煤设备。针对井下环境存在设备健康评估与故障维护困难、难以对液压支架疲劳寿命进行预测等问题,基于数字孪生技术和长短时记忆(Long Short-Term Memory,LSTM)循环神经网络,提出了矿山液压支架顶梁疲劳监测与寿命预测方法。该方法根据矿山液压支架顶梁的结构与工作原理,首先利用有限元法建立液压支架系统仿真模型,并采用ANSYS有限元分析获得液压支架顶梁状态参数与疲劳寿命值的相关数据集;然后利用ANSYS Twin Builder构建高置信度的数字孪生验证模型,并根据矿山液压支架顶梁的屈服强度和本构关系等真实的边界条件,进一步验证与优化有限元分析模型;再通过LSTM神经网络对训练集进行训练并利用测试集进行测试,以确定液压支架顶梁寿命的预测模型,从而实现对矿山液压支架顶梁疲劳寿命的准确预...