文献类型：期刊文章

作　　者：顾鑫[1] 唐向红[1,2,3] 陆见光[1,2,3] 黎书文[4]

Xin GU;Xiang-hong TANG;Jian-guang LU;Shu-wen LI(Key Laboratory of Advanced Manufacturing Technology,Ministry of Education,Guizhou University,Guiyang 550025,China;School of Mechanical Engineering,Guizhou University,Guiyang 550025,China;State Key Laboratory of PublicBig Data,Guizhou University,Guiyang 550025,China;School of Mechanical Engineering,Guizhou Institute of Technology,Guiyang 550003,China)

机构地区：[1]贵州大学现代制造技术教育部重点实验室,贵阳550025 [2]贵州大学机械工程学院,贵阳550025 [3]贵州大学公共大数据国家重点实验室,贵阳550025 [4]贵州理工学院机械工程学院,贵阳550003

出　　处：《机床与液压》

基　　金：贵州省公共大数据重点实验室开放基金资助项目(2017BDKFJJ019);贵州大学引进人才基金资助项目(贵大人基合字(2016)13号);贵州省留学回国人员科技活动择优资助项目-优秀类项目(2018.0002);贵州省教育厅青年科技人才成长项目(黔教合KY字[2017]218);贵州省科技计划项目(黔科合平台人才[2017]5789-10)。

年　　份：2020

卷　　号：48

期　　号：6

起止页码：107-113

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。

关 键 词：故障诊断 自适应  卷积神经网络 长短期记忆网络  滚动轴承

分 类 号：TP391.4]