首页|改进LSTM滚动轴承故障诊断方法研究

改进LSTM滚动轴承故障诊断方法研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对旋转机械滚动轴承的故障振动信号具有时序性的特点,提出了改进LSTM的滚动轴承故障诊断方法.首先利用卷积神经网络(CNN)对振动信号进行局部特征提取,然后通过长短期记忆神经网络(LSTM)获取振动信号时间维度上的特征,使得CNN提取的信号特征经过LSTM处理后更加具有时间依赖性,最后运用Softmax分类器输出故障状态类型.并且对改进LSTM模型、CNN模型和原LSTM模型进行了泛化性能和抗噪性对比.实验表明:改进LSTM模型比CNN模型和原LSTM模型更能有效的识别滚动轴承的十种故障类型,泛化性和抗噪性均优于CNN模型和原LSTM模型.
The Research on Fault Diagnosis Method of Rolling Bearing by Improved LSTM

吕悦、张义民、张凯

展开 >

沈阳化工大学装备可靠性研究所,辽宁沈阳 110142

故障诊断 滚动轴承 卷积神经网络 长短期记忆神经网络

&&

U1708254

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.378(8)
  • 3