典型文献
基于EEMD和Bi-LSTM算法的齿轮泵行星轮典型故障诊断
文献摘要：
为了提高齿轮泵行星轮的典型故障诊断精度,提出了一种基于经验模态分解(EEMD)和双向长短时记忆网络(Bi-LSTM)的行星齿轮泵故障诊断方法.研究结果表明:通过模型精度和耗时的最优参数为节点数200和网络层数4层.本网络损失小于1％,满足良好稳定性的条件,可以实现精确识别齿面磨损和缺齿故障,断齿、正常齿的轮识别率都达到了93％以上,齿根裂纹故障识别率达到了86.5％.对信号EEMD分解后,可以促进Bi-LTSM模型所有分量都获得更优的时序性,促使模型诊断精度得到显著提升.Bi-LTSM模型到达后期迭代过程时,可以更快拟合,获得高于LTSM的验证精度.该研究对提高机械传动设备的故障识别能力,具有一定的理论指导意义.
文献关键词：
齿轮泵;故障诊断;经验模态分解;双向长短时记忆网络;分类精度
中图分类号：
作者姓名：
高美真;高烨童
作者机构：
焦作师范高等专科学校信息工程学院,河南焦作454000;西安理工大学计算机与信息工程学院,陕西西安710061
文献出处：
引用格式：
[1]高美真;高烨童-.基于EEMD和Bi-LSTM算法的齿轮泵行星轮典型故障诊断)[J].中国工程机械学报,2022(03):263-268
A类：
LTSM
B类：
EEMD,Bi,齿轮泵,行星轮,典型故障,故障诊断精度,基于经验,经验模态分解,双向长短时记忆网络,行星齿轮,故障诊断方法,模型精度,最优参数,网络层,层数,络损,精确识别,齿面磨损,缺齿,断齿,齿根裂纹,裂纹故障,故障识别率,时序性,机械传动,识别能力,分类精度
AB值：
0.311154
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。
