基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题，本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取，并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上，较于其它类型的CNN-LSTM故障模型准确率更高，训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。