针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架...针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。展开更多
文摘针对多型传感器采样频率不统一,现有机器学习算法难以有效处理混频数据输入,无法充分挖掘混频信号中的设备故障特征的问题,首先提出一种混频数据输入下的长短时记忆网络(multi-frequency long and short term memory network,MF-LSTM)架构;然后,对不同采样频率的状态数据分别进行特征提取并进行特征融合,实现混频数据输入下的电气设备的故障诊断任务;最后,利用凯斯西储大学轴承数据集对所提模型进行了算例验证,结果表明:相比于单频信号输入,混频输入平均提高故障诊断精度1.72%。该实验结果证明了所提出的基于MF-LSTM的故障诊断框架的有效性和混频数据输入的必要性。
