基于核密度估计的旋转机械损伤贝叶斯智能评价方法

发布时间：2024-04-10 05:59

　　神经网络预测和贝叶斯假设检验常用于旋转机械的损伤识别。神经网络用于预测外激励作用下旋转机械的动力响应,贝叶斯方法使用传感数据和模型预测之间的残差数据获得旋转机械的健康概率。然而传统的贝叶斯方法是从数据的高斯分布假设中得出的。在实际工程中经常违反此假设,影响损伤识别精度。针对这一问题,本文提出了一种基于核密度估计的非参数贝叶斯评估方法。贝叶斯置信度是从核密度估计中直接得出的,而无需对数据进行任何分布假设,并结合长短时记忆神经网络深度学习预测模型,实现旋转机械的故障损伤识别。通过使用实际运行的压缩机数据,与传统方法进行比较,验证了新方法对旋转机械故障损伤识别的有效性。

【文章页数】：8 页

【部分图文】：

图1核密度估计原理

核密度估计将每个待测点的出现位置看成一个分布，局部核函数K(x)代表其概率密度分布，K(x)在点实际出现位置概率最高。全局分布密度函数可视为所有待测点局部核函数的叠加，如图1所示。带宽h也是影响分布拟合效果的重要参数。理论上，当h趋于零时，它接近于数据的真实分布。但是，h值太小会....

图2预测模型结构

本研究发展一个双层深度学习神经网络LSTM模型用于预测系统反应。如图2所示，模型的隐藏层采用LSTM细胞和Dropout搭建双层循环神经网络。隐藏层的每个LSTM层后面增加一个Dropout层，这样在前向传播时，可以让神经元的激活值以指定的概率停止工作，从而增强模型的泛化性，防止....

图3算法流程

整个算法的流程如图3所示，我们将健康数据分为两部分，一部分数据用来训练预测模型，然后使用预测模型对另一部分数据进行预测，得到健康状态下的残差数据。使用预测模型对系统状态不知的实测数据进行预测，得到实测的残差数据。使用核密度估计方法训练健康状态残差数据得到健康残差分布。使用健康残差....

图4传感器位置与类型

使用一组从转速5556r/min的实际运行离心压缩机收集的数据，通过比较研究，对所发展的新方法进行效果验证。由于压缩机一个叶片断裂，导致该压缩机非正常停运。这算例使用压缩机失效前的数据来进行显示新方法的有效性。压缩机的传感器测点位置如图4所示，包含11个变量（两个轴承温度变量）....

本文编号：3950253