文献类型：期刊文章

作　　者：赵志宏[1,2] 赵敬娇[1] 魏子洋[1]

ZHAO Zhihong;ZHAO Jingjiao;WEI Ziyang(School of Information Science and Technology,Shijiazhuang Tiedao University,Shijiazhuang 050043,China;State Key Lab of Mechanical Behavior and System Safety of Traffic Engineering Structures,Shijiazhuang Tiedao University,Shijiazhuang 050043,China)

机构地区：[1]石家庄铁道大学信息科学与技术学院,石家庄050043 [2]石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄050043

出　　处：《振动与冲击》

基　　金：国家自然科学基金(11790282,11972236,U1534204)。

年　　份：2021

卷　　号：40

期　　号：1

起止页码：95-101

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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  

分 类 号：TH133.33] TH165.3