重庆理工大学学报2021，Vol.35Issue(1) ：83-88.DOI:10.3969/j.issn.1674-8425(z).2021.01.011

基于LSTM与迁移学习的滚动轴承故障诊断

Fault Diagnosis for Rolling Bearing Based on LSTM and Transfer Learning

修嘉芸 谷玉海 任斌 王红军
重庆理工大学学报2021，Vol.35Issue(1) ：83-88.DOI:10.3969/j.issn.1674-8425(z).2021.01.011
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

基于LSTM与迁移学习的滚动轴承故障诊断

Fault Diagnosis for Rolling Bearing Based on LSTM and Transfer Learning

修嘉芸 1谷玉海 1任斌 2王红军1
扫码查看

作者信息

  • 1. 北京信息科技大学 现代测控技术教育部重点实验室,北京 100192
  • 2. 北京航天长征飞行器研究所,北京 100076
  • 折叠

摘要

目前以数据驱动为基础的深度学习故障诊断方法已经得到了广泛的研究,然而基于深度学习的故障诊断普遍存在需要海量训练数据的不足.为有效克服上述问题,提出了一种基于长短期记忆网络(long short-term memory,LSTM)与迁移学习结合的滚动轴承智能故障诊断方法.首先使用心电图片段数据对网络中的参数进行训练,然后将正常状态下和各类故障状态下的滚动轴承曲线作为网络输入训练网络最后3个全连接层,最后得到整个训练网络.通过数据验证,证明所采用的方法与传统的故障诊断方法相比,能更加智能识别各类故障类别,并且拥有更高的正确率和良好的泛化能力.

关键词

长短期记忆网络/迁移学习/滚动轴承/故障诊断

引用本文复制引用

基金项目

国家自然科学基金(51975058)

促进高校内涵发展学科建设专项资助项目(5112011015)

出版年

2021
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
被引量2
参考文献量8
段落导航相关论文