基于BP-LSTM的旋转机械振动信号异常检测模型

• 作者: 高玉才 付忠广 谢玉存 杨云溪
• 来源期刊: 煤矿机械
• 关键词: LSTM网络 神经网络 旋转机械 异常检测 检测精度
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 计算机应用|Computer Application
• 页码范围: 210-213
• 页数: 4页
• 分类号: TH17
• 语种: 中文
• DOI: 10.13436/j.mkjx.202108063

摘要

旋转机械运行环境恶劣,振动信号易受外界干扰,因此实现振动状态的异常检测较为困难.神经网络技术能够从大量的振动数据中自动提取故障特征,相对于人工提取故障特征,工作量大为减少.结合长短时记忆(LSTM)网络对时间序列数据具有的超强感知与处理能力,提出一种用BP神经网络压缩输入数据维度从而提取故障特征、用LSTM网络进行异常检测的新方法.首先将实验台获取的振动数据划分为相同序列长度的数据样本并划分为不同的数据集,然后将数据样本进行预处理并搭建BP-LSTM网络,将建立的模型用于旋转机械振动信号异常检测.模拟仿真和实验结果表明:BP-LSTM网络模型对旋转机械运行状态的检测具有较高的精度和稳定性,该方法优于基于时域特征参数进行异常检测的支持向量机(SVM)、K近邻和LSTM等传统学习方法.