• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >Method for Fault Diagnosis of Temperature-Related MEMS Inertial Sensors by Combining Hilbert–Huang Transform and Deep Learning
【2h】

Method for Fault Diagnosis of Temperature-Related MEMS Inertial Sensors by Combining Hilbert–Huang Transform and Deep Learning

机译：通过结合希尔伯特 - 黄变换和深度学习来实现温度相关MEMS惯性传感器的故障诊断方法

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we propose a novel method for fault diagnosis in micro-electromechanical system (MEMS) inertial sensors using a bidirectional long short-term memory (BLSTM)-based Hilbert–Huang transform (HHT) and a convolutional neural network (CNN). First, the method for fault diagnosis of inertial sensors is formulated into an HHT-based deep learning problem. Second, we present a new BLSTM-based empirical mode decomposition (EMD) method for converting one-dimensional inertial data into two-dimensional Hilbert spectra. Finally, a CNN is used to perform fault classification tasks that use time–frequency HHT spectrums as input. According to our experimental results, significantly improved performance can be achieved, on average, for the proposed BLSTM-based EMD algorithm in terms of EMD computational efficiency compared with state-of-the-art algorithms. In addition, the proposed fault diagnosis method achieves high accuracy in fault classification.
机译：在本文中，我们提出了一种新的微机电系统（MEMS）惯性传感器的故障诊断方法，使用双向短期内存（BLSTM） - 基于Hilbert-Huang变换（HHT）和卷积神经网络（CNN） 。首先，将惯性传感器的故障诊断方法配制成基于HHT的深度学习问题。其次，我们介绍了一种新的基于BLSTM的经验模式分解（EMD）方法，用于将一维惯性数据转换为二维HILBERT光谱。最后，CNN用于执行使用时频HHT频谱作为输入的故障分类任务。根据我们的实验结果，与最先进的算法相比，在EMD计算效率方面，平均可以实现显着提高的性能，例如，在EMD计算效率方面，实现了基于BLSTM的EMD算法。此外，所提出的故障诊断方法在故障分类中实现了高精度。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号