振动与冲击2021，Vol.40Issue(1) ：95-101.DOI:10.13465/j.cnki.jvs.2021.01.013

基于BiLSTM的滚动轴承故障诊断研究

Rolling bearing fault diagnosis based on BiLSM network

赵志宏 赵敬娇 魏子洋
振动与冲击2021，Vol.40Issue(1) ：95-101.DOI:10.13465/j.cnki.jvs.2021.01.013
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于BiLSTM的滚动轴承故障诊断研究

Rolling bearing fault diagnosis based on BiLSM network

赵志宏 1赵敬娇 2魏子洋2
扫码查看

作者信息

  • 1. 石家庄铁道大学信息科学与技术学院,石家庄050043;石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄050043
  • 2. 石家庄铁道大学信息科学与技术学院,石家庄050043
  • 折叠

摘要

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断.滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8％以上,该方法具有一定的应用价值.

关键词

双向长短期记忆网络/轴承故障诊断/深度学习

引用本文复制引用

基金项目

国家自然科学基金(11790282)

国家自然科学基金(11972236)

国家自然科学基金(U1534204)

出版年

2021
振动与冲击
中国振动工程学会 上海交通大学 上海市振动工程学会

振动与冲击

CSTPCDCSCD北大核心
影响因子：0.898
ISSN：1000-3835
被引量32
参考文献量12
段落导航相关论文