基于Inception-DLSTM双通道的滚动轴承故障诊断方法

摘要：

卷积神经网络(CNN)对空间特征具有敏感性,而Inception相比CNN具备多尺度提取特征优势;长短时记忆网络(LSTM)对时间特征具有敏感性,而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势.为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征,实现滚动轴承故障诊断,提出了一种Inception通道和DLSTM通道结合的Inception-DLSTM双通道滚动轴承故障诊断模型.对于Inception通道,把轴承振动信号经过小波变换生成的时频图作为输入,利用Inception网络多尺度提取时频图的空间特征信息;对于DLSTM通道,直接把轴承振动信号作为输入,利用DLSTM网络充分提取信号的时间特征信息.然后把两个通道输出的特征信息连接成一个时空特征向量,最后利用分类器进行轴承故障诊断识别.对轴承故障数据进行对比实验可得,Inception-DLSTM双通道的故障识别准确率可达100％,具备良好的故障诊断和特征提取能力.

关键词：Inception-DLSTM双通道、滚动轴承、故障诊断、空间特征、时间特征

所属期刊栏目：46

分类号：TH133.33

资助基金：四川科技厅重点研发项目;博士后科学基金

在线出版日期：2023-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：53-59