基于LSTM的设备故障在线检测方法

• 作者: 刘晨 周剑飞
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 故障检测 特征提取 长短时记忆神经 在线更新
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 工程与应用
• 页码范围: 272-278
• 页数: 7页
• 分类号: TP183
• 字数: 6260字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1809-0173

摘要

在工业4.0时代,随着IoT的广泛应用,工业设备的故障检测对于提高设备的可靠性具有重要的意义.在实际的工业场景中,由于设备之间的关系复杂多变,难以用统一的模型来表示设备的运行状态.近年来,随着深度学习技术的不断发展与进步,深度学习技术成为故障检测的主流解决方案.提出了一种基于长短记忆神经网络的在线故障检测模型,采用曲线排齐方法对传感器数据进行特征提取,基于长短时记忆神经网络(LSTM)开发故障检测模型,最后借助滑动窗口技术实现了设备故障的在线检测以及模型的在线更新.基于真实的发电厂传感数据进行了实验验证,实验结果表明了该方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘晨	北方工业大学大规模流数据集成与分析技术北京市重点实验室	13	29	3.0	5.0
5	周剑飞	北方工业大学大规模流数据集成与分析技术北京市重点实验室	1	1	1.0	1.0