一个混合LSTM随机森林模型与灰狼优化用于增强检测多个轴承故障

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 轴承退化是导致电机故障的主要原因.
• 有效的状态监控对于防止意外故障和确保运行可靠性至关重要.
• 现有的方法可能难以处理复杂的故障特征,并区分类似的退化模式.

研究的目的:

• 开发和验证一种用于轴承多故障检测的新型混合模型.
• 提高轴承状况监测系统的准确性和稳定性.
• 利用先进的机器学习技术来改善预测性维护.

主要方法:

• 开发了一个混合模型,集成长期短期记忆 (LSTM) 网络和随机森林 (RF) 分类器.
• 从振动信号中提取时间和频率域特征.
• 灰狼优化 (GWO) 算法用于优化RF分类器的特征选择.
• 一个双层LSTM网络处理了提取的特征以捕获时间依赖.

主要成果:

• 混合LSTM-RF-GWO模型在六个轴承健康状况中实现了98.97%的分类精度.
• 这一性能明显超过了独立的LSTM (93.56%) 和RF (98.44%) 模型.
• 通过GWO优化,精度进一步提高了0.39%,精度提高了99.28%,卡帕系数提高了99.13%.
• 降低虚假阴性率 (0.0071) 和虚假阳性率 (0.0015) 显示出优越的错误分类最小化.

结论:

• 拟议的混合LSTM-RF-GWO框架为轴承故障检测提供了一个高度准确和强大的解决方案.
• 该模型有效地区分了各种密切相关的故障条件.
• 这种方法代表了在工业环境中预测性维护策略的宝贵进步.