基于LST M的风洞设备健康状态评估方法研究

• 作者: 吴魁 孙洁 王仙勇 蒋波 黄玉龙
• 来源期刊: 计算机测量与控制
• 关键词: 深度学习 LSTM 健康状态评估
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 试验与评价技术
• 页码范围: 288-291
• 页数: 4页
• 分类号: TP311
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2018.03.071

摘要

针对风洞设备健康状态评估中特征提取困难、量化算法复杂等问题,提出了一种基于深度学习的健康度评估方法,利用正常状态样本数据训练 LSTM 编解码器网络并构建特征空间,利用测量数据特征向量与特征空间的欧氏距离衡量健康状态的退化程度,从而高效地实现了系统或设备的健康状态量化评估;经风洞试验室轴流风机转子不平衡故障、长轴轴承裂缝故障等两个数据集进行验证,取得了与设备工作状态一致的健康度评估值,具有很强的工程应用价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙洁		12	63	5.0	7.0
2	王仙勇		8	22	3.0	4.0
3	黄玉龙		10	43	4.0	6.0
5	吴魁		3	21	3.0	3.0
8	蒋波		1	4	1.0	1.0