使用并行CNN和LSTM进行轴承故障诊断
Guanghua Fu1, Qingjuan Wei1, Yongsheng Yang1
1Institute of Logistics Science and Engineering, Shanghai Maritime University, Shanghai 201306, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究引入了一种新的深度学习模型,用于智能轴承故障诊断. 平行卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络有效地提取时间和空间特征,以准确和强大的故障检测.
科学领域:
- 机器学习 机器学习
- 机械工程 机械工程
- 信号处理 信号处理
背景情况:
- 对轴承故障的智能诊断对于机械自动化和智能操作至关重要.
- 轴承振动数据的深度学习分析是故障诊断研究的一个关键领域.
研究的目的:
- 提高特征提取质量和模型稳定性,用于轴承故障诊断.
- 开发一个故障诊断模型,利用时间和空间特征提取.
主要方法:
- 建立了一个并行卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络.
- 振动信号被重新采样,使用连续波波变换 (CWT) 转换为时间频率图像,并通过LSTM (1D) 和2D-CNN处理.
- 综合特征是通过1D-CNN从融合特征中提取的,通过softmax函数进行分类.
主要成果:
- 拟议的模型显示了令人满意的诊断准确性.
- 该模型在不同的操作环境和数据集中表现出强度.
- 从振动信号中有效地提取时间和空间特征.
结论:
- 平行CNN-LSTM网络为智能轴承故障诊断提供了一个有希望的方法.
- 该模型能够提取多种特征,从而提高诊断性能.
- 这种方法有助于更可靠,更强大的机械健康监测.


