科研之友
微信
新浪微博
Facebook
分享链接
摘要
液压泵健康状态的精准识别是液压元件预防性维护的一部分。采用贝叶斯算法对长短时记忆网络(Longshort-term memorg, LSTM)进行优化，构建一种基于贝叶斯长短时记忆网络(Bayesian-LSTM)的外啮合齿轮泵健康状态识别模型，完成了对外啮合齿轮泵健康状态的识别。首先运用改进的变分模态分解(Improved variational modal, IVMD)方法对蕴含丰富健康信息的样本泵振动信号进行分解重构，基于时域、频域及时频域对重构信号进行特征提取，将所选特征归一化处理后构造了能够表征振动信号的特征矩阵。最后将归纳好的特征矩阵与标签输入到Bayesian-LSTM(以下简称BDL)模型中进行训练，进而得到外啮合齿轮泵健康识别模型，为验证BDL模型在外啮合齿轮泵健康状态识别上的优越性，将其与LSTM模型及RNN模型进行对比。结果表明，BDL模型对样本泵的预测精度达到了98.3%以上，相比LSTM模型及RNN模型优势明显，可以为深度学习在液压元件状态识别的应用提供参考。
- 单位
