基于BiLSTM的滚动轴承故障诊断研究

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

所属期刊栏目：40

分类号：TH133.33;TH165.3

资助基金：国家自然科学基金11790282;11972236;U1534204

在线出版日期：2021-02-25（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：95-101