CN114970605B 一种多模态特征融合神经网络的制冷设备故障诊断方法 （大连理工大学）_第1页
CN114970605B 一种多模态特征融合神经网络的制冷设备故障诊断方法 （大连理工大学）_第2页
CN114970605B 一种多模态特征融合神经网络的制冷设备故障诊断方法 （大连理工大学）_第3页
CN114970605B 一种多模态特征融合神经网络的制冷设备故障诊断方法 （大连理工大学）_第4页
CN114970605B 一种多模态特征融合神经网络的制冷设备故障诊断方法 （大连理工大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种多模态特征融合神经网络的制冷设备本发明公开一种多模态特征融合神经网络的制冷设备故障诊断方法，属于计算机技术领分析转换时域信号增加输入模态和基于注意力2(1.1)在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为原始样公式(1)中：Xi表示样本数据序列中第i个数据的值，n表示每条样本的样本点数，max特征提取过程使用多层卷积神经网络，卷积神经网络由卷映射seR"",如公式(3)所示：ci,重整为对D和S的EeR",如公式3卷积步长、全连接层数以及各全连接层的单元数；LSTM网络的超参数包括隐藏层节点数、通过步骤2中卷积神经网络提取的时序信号中特定片段的融合特征E先被输入到LSTM4[0003]基于振动信号分析的故障诊断方法大致可分为基于信号处理的方法和基于机器依赖。但是这类方法的诊断准确率受分析方法选择和特征能否准确表达故障信息的影响，5[0008]步骤1：在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为6[0021](1)在同一种负载条件下采集包含所有状态的螺杆压缩机轴承振动信号作为原始7[0034]现有的多模态特征融合方法通常是通过简单的线性操作如求和(summation)或串[0040](4)将上一步结果乘以尺度参数δ,与A进行和运算，得到最终输出如[0048](2)初始化网络超参数。卷积神经网络的超参数包含卷积层数、卷积核大小及数8[0052]通过步骤2中卷积神经网络提取的时序信号中特定片段的融合特征E先被输入到开标准数据集CWRU(凯斯西储大学)轴承故障数据集和MFPT(机械故障预防技术学会)轴承是根据准确率和召回率计算出的一个综合性评价指标)。相关的计算如公式(7)至公式9为0.002，批大小为32，迭代次数为10的情况下，神经网络的分类准确率最高，达到了预测精度达到98.36优于其他所有方法。与不使用时频分析的深度学习方法如1DCNN、模态特征融合神经网络的旋转机械故障诊断方法能够有效完成制冷设备转子故障类别诊

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论