典型文献
基于蝗虫优化Bi-LSTM网络的电机轴承故障预测
文献摘要：
为了有效预测复杂工况下的电机轴承故障,提出一种利用蝗虫优化算法(GOA)优化双向长短时记忆网络(Bi-LSTM)的电机轴承故障预测方法.首先,对电机轴承的振动信号利用互补集合经验模态分解(CEEMD)算法进行分解,获得能够表征振动特征的多组固有模态分量(IMF),计算每组IMF分量的奇异值能量,并组成奇异值能量谱作为电机轴承的性能退化指标.其次,采用GOA对Bi-LSTM网络的多个超参数进行迭代寻优,提高模型的预测精度与收敛速度,从而获得一组最优的超参数组合.最后,利用优化后的Bi-LSTM网络实现电机轴承的故障预测.以开源的电机轴承振动信号进行测试实验,实验结果表明,相较于其他多种预测模型,所建立模型具有较高的预测精度同时还具有较强的鲁棒性,能够及时为检修工作提供理论支撑,具有一定的研究价值与工程意义.
文献关键词：
故障预测;双向长短时记忆网络;蝗虫优化算法;互补集合经验模态分解;奇异值能量;电机轴承
中图分类号：
作者姓名：
于飞;樊清川;宣敏
作者机构：
海军工程大学 电气工程学院,湖北 武汉430033
文献出处：
引用格式：
[1]于飞;樊清川;宣敏-.基于蝗虫优化Bi-LSTM网络的电机轴承故障预测)[J].电机与控制学报,2022(06):9-17
A类：
奇异值能量
B类：
Bi,电机轴承,轴承故障,故障预测,复杂工况,蝗虫优化算法,GOA,双向长短时记忆网络,振动信号,互补集合经验模态分解,CEEMD,振动特征,固有模态分量,IMF,能量谱,性能退化,退化指标,超参数,迭代寻优,收敛速度,数组,开源,轴承振动,测试实验,建立模型,检修工作
AB值：
0.190907
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。
