基于长短时记忆网络的旋转机械状态预测研究

摘要 作为深度学习算法的一种，长短时记忆网络越来越成为时间序列预测的重要手段，简要阐述长短时记忆网络的基本原理，并将其应用于旋转机械状态监控领域，以轴承数据为样本进行仿真，针对轴承数据的非平稳性，运用经验模态分解方法将其分解为平稳信号，并计算其本征模态分量能量熵作为状态特征，通过计算长短时记忆网络对旋转机械状态单步预测的结果，并与支持向量回归机模型的预测结果进行比较，证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果