基于深度LSTM残差网络的旋转机械故障诊断研究

伴随制造加工业对可靠度与精准度的需求不断提升，及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断，主要包含3个模块：初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘，利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题，从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比，结果表明该方法的鲁棒性较好，诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法，此外，所提方法可在较少的epoch中实现稳定，并随着epoch的增加，损失值会逐渐减小。