基于ES-MLSTM的液压机故障诊断系统设计

摘要：

为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统(ES)与多模型长短期记忆(MLSTM)神经网络的融合识别算法.首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响.分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率.设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络(MLSTM)的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模.在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度.系统采用了12个故障类、120个训练样本、1920个测试样本进行测试,采用ES-MLSTM识别率为100％,而相同样本,采用SVM的识别率是92.9％,采用PSOS?VM的识别率是96.3％,采用BP的识别率是73％,证明基于ES-MLSTM识别方法可以满足故障诊断的要求.

关键词：专家系统;多模型长短期记忆;液压机;故障诊断;推理机

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：2019年浙江省科技厅公益项目LGG19E050005

在线出版日期：2021-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：187-195