基于多传感器信息融合的液压组件故障诊断使用改进的TSO-CNN-BiLSTM
Da Zhang1, Kun Zheng1, Fuqi Liu1
1College of Automation and Electronic Engineering, Qingdao University of Science and Technology, Qingdao 266061, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
一个新的模型将改进的金枪鱼群优化 (ITSO) 与卷积神经网络 (CNN) 和双向长期短期记忆 (BiLSTM) 网络相结合,提高了液压系统故障诊断的准确性和对噪声的稳定性.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 液压系统在许多行业中至关重要,但容易发生故障.
- 准确可靠的故障诊断对于系统维护和安全至关重要.
- 现有的诊断方法在复杂的环境中可能缺乏效率或稳定性.
研究的目的:
- 为液压系统提出一个先进的故障诊断模型.
- 通过传感器融合和智能优化来提高诊断准确性和稳定性.
- 利用深度学习进行自动特征提取和分析.
主要方法:
- 使用随机森林算法进行传感器选择.
- 通过卷积神经网络 (CNN) 进行特征提取和融合.
- 使用双向长短期记忆 (BiLSTM) 网络进行序列数据分析.
- 使用改进的金枪鱼群优化 (ITSO) 算法优化CNN-BiLSTM参数.
主要成果:
- 实现了高的诊断准确度:冲压 (99.07%),冷却器 (99.4%),快门 (98.81%),蓄电器 (98.51%).
- 该模型有效地提取融合特征,并利用多传感器信息.
- 通过各种信号噪声比率 (SNRs) 证明了对噪声干扰的良好稳定性.
结论:
- 拟议的ITSO-CNN-BiLSTM模型为液压系统提供准确可靠的故障诊断.
- 该方法显示了对需要强大的诊断能力的现实应用的巨大潜力.
- 在复杂的信号处理任务中,ITSO有效优化了深度学习模型.
