声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
该杂志刊期列表
- 2026年
- 1期
国内刊号：21-1138/TP
国际刊号：1002-0411
发布日期:
作者：曲星宇, 曾鹏, 李俊鹏
关键词：故障诊断, 深度学习, 循环神经网络, 长短期记忆故障诊断
目前磨矿系统故障诊断多为人为判断，效率低、准确率低、成本高且容易造成人员伤亡.传统方法对高维度和时间相关性较大的样本数据集分类能力较差，针对以上问题，提出一种基于RNN-LSTM（Recurrent Neural Network-Long Short-Term Memory）的深度学习方法，实现磨矿系统故障的智能化诊断.该方法通过将数据集"分批处理"分别输入到LSTM单元网络中，提取数据集在时间维度上的相关性，并比较分析前后时刻的输入特征向量实现对故障分类.通过分别对RNN-LSTM深度学习网络与基于自编码分类方法进行实验对比验证，得出结论：在时间相关性较强的高维度数据集中基于RNN-LSTM深度方法辨识效果明显优于基于自编码方法的分类器，最终网络对于故障诊断的错误率低至3%.
来源：2019年第2期
《信息与控制》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。