文章目录

0 前言

1 试验设备与数据采集

(1)压力噪声的处理

(2)不完整数据处理

(3)错误值的检测及解决方法

(4)重复记录的检测及消除方法

2 识别算法

2.1 LSTM结构及向前向后传播算法

2.2 ES-MLSTM识别结构设计

2.3 专家系统设计与推理

    2.3.1 液压机专家系统故障诊断模型

    2.3.2 多模型管理

    2.3.3 联合推理及故障识别

3 结果与分析

3.1 LSTM识别率测试

3.2 LSTM故障类型识别分布

3.3 LSTM不同识别率下的误差分析

3.4 LSTM对故障库扩展性分析

3.5 ES识别率测试

3.6 ES对故障库扩展性分析

3.7 ES-MLSTM管理下识别率测试

3.8 与其他识别算法比较

4 结论

文章摘要:为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统（ES）与多模型长短期记忆（MLSTM）神经网络的融合识别算法。首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响。分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率。设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络（MLSTM）的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模。在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度。系统采用了12个故障类、120个训练样本、1 920个测试样本进行测试,采用ES-MLSTM识别率为100%,而相同样本,采用SVM的识别率是92.9%,采用PSOSVM的识别率是96.3%,采用BP的识别率是73%,证明基于ES-MLSTM识别方法可以满足故障诊断的要求。

文章关键词:

论文分类号:TH137