摘要
针对工业机器人轴承自适应故障特征提取困难的问题,同时考虑到工业机器人轴承故障诊断对稳定性和准确性高要求的特点,本文提出一种基于卷积-长短期记忆网络(CNN-LSTM)的工业机器人轴承故障诊断方法.首先利用卷积神经网络(CNN)对故障数据进行自动特征提取,在CNN的每层激活函数之后引入批归一化,将卷积神经网络的输出作为长短期记忆(LSTM)神经网络的输入,通过LSTM捕捉数据在时间维度上的特征,最后通过Softmax分类器进行工业机器人轴承故障类型的输出.充分利用CNN特征提取和LSTM时序性数据建模的优势,训练工业机器人轴承故障诊断模型,并与传统的CNN、LSTM模型的故障诊断结果进行数据对比,结果表明,本文提出的模型的准确率更高,且稳定性更好.
基金项目
天津市教委科研计划自然科学重点项目(2022ZD026)
维普
万方数据