针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步...针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步电机系统模型;其次,利用精英反向学习策略、分段线性混沌映射、动态混沌权重因子和动态权重系数等方法改进蜣螂优化算法;最后,使用改进蜣螂优化算法对LSTMNN的关键超参数进行寻优。仿真结果表明,相较于基于蜣螂优化算法和基于改进麻雀算法的LSTMNN,提出的优化LSTMNN对故障及其他变量的辨识均方根误差分别降低了51.93%、36.49%,平均绝对误差分别降低了56.83%、43.99%,平均绝对百分误差分别降低了29.91%、22.25%,表明采用改进的蜣螂优化算法对LSTMNN的关键超参数寻优,可显著提高LSTM网络对电机故障及其他变量的辨识能力。展开更多
文摘针对长短期记忆神经网络(Long Short Term Memory Neural Network,LSTMNN)在辨识异步电机故障时,因人工选择网络超参数导致的辨识精度下降问题,提出一种改进的蜣螂优化算法寻优LSTMNN的重要参数。首先,建立具有定子匝间短路故障的异步电机系统模型;其次,利用精英反向学习策略、分段线性混沌映射、动态混沌权重因子和动态权重系数等方法改进蜣螂优化算法;最后,使用改进蜣螂优化算法对LSTMNN的关键超参数进行寻优。仿真结果表明,相较于基于蜣螂优化算法和基于改进麻雀算法的LSTMNN,提出的优化LSTMNN对故障及其他变量的辨识均方根误差分别降低了51.93%、36.49%,平均绝对误差分别降低了56.83%、43.99%,平均绝对百分误差分别降低了29.91%、22.25%,表明采用改进的蜣螂优化算法对LSTMNN的关键超参数寻优,可显著提高LSTM网络对电机故障及其他变量的辨识能力。
