关键词：数据不确定性;旋转机械;核密度估计;贝叶斯方法;深度学习;故障识别
摘 要：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。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取