10.13465/j.cnki.jvs.2021.01.013
基于BiLSTM的滚动轴承故障诊断研究
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.
双向长短期记忆网络、轴承故障诊断、深度学习
40
TH133.33;TH165.3
国家自然科学基金11790282;11972236;U1534204
2021-02-25(万方平台首次上网日期,不代表论文的发表时间)
共7页
95-101