文献类型：期刊文章

作　　者：庄雨璇[1] 李奇[1] 杨冰如[1] 陈良[1] 沈长青[2]

ZHUANG Yuxuan;LI Qi;YANG Bingru;CHEN Liang;SHEN Changqing(School of Mechanical and Electric Engineering,Soochow University,Suzhou 215006,Jiangsu China;School of Rail Transportation,Soochow University,Suzhou 215006,Jiangsu China)

机构地区：[1]苏州大学机电工程学院,江苏苏州215006 [2]苏州大学轨道交通学院,江苏苏州215006

出　　处：《噪声与振动控制》

基　　金：国家自然科学基金资助项目(51875375)

年　　份：2019

卷　　号：39

期　　号：6

起止页码：187-193

语　　种：中文

收录情况：CSCD、CSCD_E2019_2020、JST、ZGKJHX、普通刊

摘　　要：轴承是最为常见且重要的机械零部件之一,机械轴承的故障诊断方法一直被广泛关注和研究。近年来,越来越多的研究者利用深度学习方法对机械轴承进行故障检测与诊断,但为取得较好的轴承诊断结果,提出的复合诊断模型往往过于复杂,表现为多层次、多步骤、多算法集成。这导致泛化能力欠佳,只对特定场景下的轴承故障诊断有效,且计算量大,实时性欠佳。故提出一种基于长短时记忆网络的端到端故障诊断模型e2e-LSTM,可以直接利用时域振动信号对轴承的运行状态进行诊断。该模型包含3个LSTM层、2个全连接层、1个softmax层。实验结果表明,该模型能够以端到端模式一次性诊断多种轴承故障,并识别故障尺寸,即使在不同场景下,对轴承故障和尺寸的识别率仍然可以接近100%。

关 键 词：故障诊断 机械轴承 长短时记忆网络  端到端方法  深度学习  

分 类 号：TH212] TH213.3