基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断

摘要：

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题.基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法.采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类.结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76％与5.21％,表明该方法具有良好的鲁棒性和泛化性能.

关键词：卷积神经网络、双向长短期记忆网络、混沌理论、轴承、故障诊断

所属期刊栏目：41

分类号：TH113

资助基金：国家自然科学基金;国家自然科学基金;上海市科技创新心动计划地方院校能力建设项目

在线出版日期：2022-09-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：160-169