基于蝗虫优化Bi-LSTM网络的电机轴承故障预测

摘要：

为了有效预测复杂工况下的电机轴承故障,提出一种利用蝗虫优化算法(GOA)优化双向长短时记忆网络(Bi-LSTM)的电机轴承故障预测方法.首先,对电机轴承的振动信号利用互补集合经验模态分解(CEEMD)算法进行分解,获得能够表征振动特征的多组固有模态分量(IMF),计算每组IMF分量的奇异值能量,并组成奇异值能量谱作为电机轴承的性能退化指标.其次,采用GOA对Bi-LSTM网络的多个超参数进行迭代寻优,提高模型的预测精度与收敛速度,从而获得一组最优的超参数组合.最后,利用优化后的Bi-LSTM网络实现电机轴承的故障预测.以开源的电机轴承振动信号进行测试实验,实验结果表明,相较于其他多种预测模型,所建立模型具有较高的预测精度同时还具有较强的鲁棒性,能够及时为检修工作提供理论支撑,具有一定的研究价值与工程意义.

关键词：故障预测、双向长短时记忆网络、蝗虫优化算法、互补集合经验模态分解、奇异值能量、电机轴承

所属期刊栏目：26

分类号：TM41(变压器、变流器及电抗器)

资助基金：国家自然科学基金51877212

在线出版日期：2022-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：9-17