基于CNN-BiLSTM的滚动轴承变工况故障诊断方法 |
| |
引用本文: | 董绍江,李洋,梁天,赵兴新,胡小林,裴雪武,朱朋.基于CNN-BiLSTM的滚动轴承变工况故障诊断方法[J].振动.测试与诊断,2022,42(5):1009-1016. |
| |
作者姓名: | 董绍江 李洋 梁天 赵兴新 胡小林 裴雪武 朱朋 |
| |
作者单位: | (1.重庆交通大学机电与车辆工程学院 重庆,400074);(2.重庆长江轴承股份有限公司 重庆,401336);(3.重庆工业大数据创新中心有限公司 重庆,401000) |
| |
基金项目: | 国家自然科学基金资助项目(51775072);重庆市科技创新领军人才支持计划资助项目(CSTCCCXLJRC201920) |
| |
摘 要: | 针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络(convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM)模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。
|
关 键 词: | 变工况故障诊断 卷积神经网络 双向长短时记忆网络 注意力机制 DropConnect和Dropout |
|
| 点击此处可从《振动.测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动.测试与诊断》下载全文 |