机床与液压

作者：程哲，罗奕，王腾飞，文渊，董学琴

单位：桂林电子科技大学机电工程学院；桂林电子科技大学机电工程学院；桂林电子科技大学机电工程学院；桂林电子科技大学机电工程学院；桂林电子科技大学机电工程学院

关键词：故障树;LSTM;SVM;故障诊断

基金：2021年中央引导地方科技发展专项资金项目（桂科计字［2021］195号）；桂林电子科技大学研究生创新基金资助项目（2021YCXS011）

稀土熔盐电解过程中电解给料自动辅机组件之间工作关联大，故障复杂多样，使用单一故障诊断方法效果不理想。针对这一问题，通过分析给料自动辅机组件之间的工作关系，提出基于故障树和LSTM-SVM的粉体下料设备故障诊断方法。首先搭建多层故障树，分析故障模式，然后根据故障树数据提取重要度较高的故障模式，建立长短期记忆神经网络故障诊断模型，故障定位后根据故障树分析结果所定义的权重大小输出诊断结果，并使用SVM对非故障异常工作状态进行分级。测试结果表明该模型具有较高的故障识别准确率。

来源：2024年第1期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第1期