基于深度融合神经网络的轴承健康指标构建
基于深度学习方法构建轴承健康指标正成为机械故障诊断领域新的研究内容和应用热点.基于深度学习的指标构建容易受到前期人工特征提取和特征选择的影响,且缺乏对多通道传感器信息进行有效融合.针对上述问题,设计了一种基于深度融合神经网络(DFNN)的多通道信息融合健康指标构建方法.首先,提出一种多通道融合特征提取器(MFE)从传感器原始信号提取轴承退化特征,然后设计一种自适应特征选择器(AFS)进行特征选择,最后引入双向长短期记忆网络(BiLSTM)构建健康指标.所提出的方法在轴承全寿命数据集上进行实验验证,实验结果表明,相比现有基于深度学习的轴承健康指标构建方法,DFNN构建的健康指标趋势性指标高达98.4%,单调性指标增加44%,因而能够更准确的反映轴承实际性能退化趋势.
深度学习;健康指标;滚动轴承;特征提取
35
TH133.3;TN911.72
国家自然科学基金;昆明理工大学引进人才科研启动基金
2021-11-17(万方平台首次上网日期,不代表论文的发表时间)
共9页
44-52