典型文献
改进CNN和Bi-LSTM的集成化装备故障检测研究
文献摘要：
集成化装备的故障检测和健康管理(DHM,fault detection and health management)已成为装备领域研究的重点,但是由于其集成度高,结构复杂,综合性强等特点,采用常规的检测方法常面临信息多源异构,体量浩大,且实时性难以保证的问题,不仅消耗大量的人力物力,而且需要极强的数据分析及管控能力;为保证准确性、实时性和有效性的统一,研究提出一种基于 CNN(卷积神经网络,Convolutional neural network)和 Bi-LSTM(双向长短记忆网络,Bidirectional short and long memory network)及其优化算法的故障检测算法,构建了 Bi-LSTM-CNN-FCM模型,并通过田纳西一伊斯曼化工过程数据集进行验证;在实验过程中通过观察不同激活函数对模型精度和效果的影响选择合适的激活函数,最终确定在卷积层使用tanh激活函数,在全连接层使用relu激活函数;在确定激活函数后对模型不断优化,在模型末端加入FCM聚类算法,提高了故障检测分类的准确率,最后以准确率和损失值为依据,通过与单一的LSTM模型,CNN模型和LSTM-CNN模型对比,证明该模型的优越性;该模型使得故障检测的准确率提升至98.25％,损失值减少至0.010 4,在性能上明显优于其他模型.
文献关键词：
故障检测;双向长短记忆网络;CNN;FCM;田纳西一伊斯曼化工过程
中图分类号：
作者姓名：
郑乐辉;孙君杰;牛润;黄莹
作者机构：
武警工程大学 研究生大队,西安 710086;武警工程大学信息工程学院,西安 710086
文献出处：
引用格式：
[1]郑乐辉;孙君杰;牛润;黄莹-.改进CNN和Bi-LSTM的集成化装备故障检测研究)[J].计算机测量与控制,2022(11):52-58
A类：
田纳西一伊斯曼化工过程
B类：
集成化,化装,故障检测,DHM,fault,detection,health,management,装备领域,集成度高,多源异构,浩大,人力物力,管控能力,Convolutional,neural,network,双向长短记忆网络,Bidirectional,short,long,memory,检测算法,FCM,过程数据,通过观察,激活函数,模型精度,卷积层,tanh,全连接层,relu,聚类算法,检测分类,损失值,模型对比,准确率提升,上明
AB值：
0.314535
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。
