基于CEEMD和RNN-LSTM的饲喂管道堵塞故障识别

扫码查看

原文链接

NETL
NSTL
万方数据

中文摘要：为了解决稀料饲喂系统使用过程中管道堵塞程度难以识别的问题,试验采用一种基于完全经验模态分解(complete ensemble empirical mode decomposition,CEEMD)的改进循环神经网络(recurrent neural network,RNN)-长短期记忆模型(long and short-term memory,LSTM)算法来实现对饲喂管道堵塞状态的检测,即对采集到的饲喂管道中的声音反馈信号进行CEEMD分解,得到本征模态函数(in-trinsic mode function,IMF)分量,从IMF分量中提取能量占比和近似熵作为特征向量构建特征集合M1;根据皮尔逊相关系数和能量占比的特性选取特征中相关性强的和包含信息量多的IMF分量重新构建特征集合M2;再利用BP神经网络(back-propagation network)和RNN-LSTM算法模型分别对三通件管道、无堵塞管道、轻度堵塞管道、中度堵塞管道、重度堵塞管道5种工况进行分类识别.结果表明:单一特征的识别准确率低于多特征识别准确率,经过特征筛选后的识别准确率高于未筛选的;在相同试验条件下,RNN-LSTM算法对饲喂管道堵塞状态识别准确率高于BP神经网络.说明RNN-LSTM算法模型能有效识别饲喂管道内的不同程度堵塞状况,可实现对管道堵塞情况的预测,具有一定的实际应用价值.

外文标题：Fault identification of feeding pipeline blockage based on CEEMD and RNN-LSTM

作者：

刘涛、陈龙、宗哲英

展开 >

作者单位：

内蒙古农业大学机电工程学院,呼和浩特010000

关键词：

饲喂管道 CEEMD RNN-LSTM 特征向量能量占比近似熵分类识别

基金：

内蒙古自治区高等学校科研项目

项目编号：

NJZZ23041

出版年：

2022

DOI：

10.13881/j.cnki.hljxmsy.2022.01.0111

黑龙江畜牧兽医(下半月)

ISSN：

年,卷(期)：2022.(12)

参考文献量9