典型文献
基于深度学习LSTM‑DBN的水轮机振动故障预测方法
文献摘要：
深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势.针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题,提出了一种基于深度学习长短时记忆(long short time memory,简称LSTM)网络结合深度置信网络(deep belief networks,简称DBN)的水轮机系统故障预测方法.将小波包能量带与时频域指标信息相结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障.工程实验验证了该算法的有效性.
文献关键词：
水轮机;深度学习;故障预测;长短期记忆网络;深度置信网络;小波包分解
中图分类号：
作者姓名：
罗毅;武博翔
作者机构：
华北电力大学控制与计算机工程学院 北京,102206
文献出处：
引用格式：
[1]罗毅;武博翔-.基于深度学习LSTM‑DBN的水轮机振动故障预测方法)[J].振动、测试与诊断,2022(06):1233-1238
A类：
B类：
DBN,水轮机,故障预测,深度学习算法,时间序列预测,预测能力,实时处理,机系统,振动故障诊断,漏诊,长短时记忆,long,short,memory,深度置信网络,deep,belief,networks,系统故障,小波包能量,时频域,频域指标,故障统计,统计特征,深层网络,自适应特征提取,特征提取能力,故障数据,高维特征,特征表示,故障种类,时序信号,预测出,工程实验,长短期记忆网络,小波包分解
AB值：
0.387455
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
