基于LSTM-RF的电动钻机绞车齿轮箱故障诊断

来源：振动与冲击杂志2024年第21期北京时间：

作者：刘光星,，马一豪

单位：1.西安石油大学电子工程学院，西安710065；2.陕西省油气井测控技术重点实验室，西安710065

摘要：针对提高石油电动钻机绞车齿轮箱故障诊断的准确性和效率，提出了一种基于长短期记忆网络(long short-term memory,LSTM)和随机森林(random forest,RF)融合模型。首先，运用LSTM能够从大规模数据中学习复杂特征，将这些特征作为随机森林的输入，然后通过随机森林处理非线性和高维数据以及对特征的分类，以实现对齿轮不同故障状态的识别。最后，利用电动钻机绞车齿轮箱运行过程中的实时数据，建立了一个包含多种齿轮故障类型的综合数据集。实验结果表明，LSTM齿轮故障诊断准确率为94.67%，RF齿轮故障诊断准确率为94.34%，支持向量机齿轮故障诊断准确率为82.00%，K近邻齿轮故障诊断准确率88.33%，而融合模型LSTM-RF在齿轮故障诊断准确率方面达到了98.33%，克服了单一模型的局限性，提高了诊断准确性，研究表明了融合模型具有更优的电动钻机绞车齿轮箱故障诊断能力。<br>

关键词：电动钻机；齿轮箱；故障诊断；长短期记忆预测；随机森林算法；