文献类型：期刊文章

作　　者：郑直[1,2] 张华钦[1] 潘月[3]

ZHENG Zhi;ZHANG Huaqin;PAN Yue(College of Mechanical Engineering,North China University of Science and Technology,Tangshan 063210,China;HUIDA Sanitary Ware Co.,Ltd.,Tangshan Hebei 063000,China;School of Mechatronical Engineering,Beijing Institute of Technology,Beijing 100081,China)

机构地区：[1]华北理工大学机械工程学院,河北唐山063210 [2]惠达卫浴股份有限公司,河北唐山063000 [3]北京理工大学机电学院,北京100081

出　　处：《振动与冲击》

基　　金：河北省博士后科学基金(B2020003033);河北省省属高等学校基本科研业务费研究项目(JQN20190004);唐山市应用基础研究计划项目(20130211b);华北理工大学博士科研启动基金(28412499);国家重点研发计划项目(2017YFB1302501)。

年　　份：2021

卷　　号：40

期　　号：7

起止页码：274-280

语　　种：中文

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

摘　　要：适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低。针对上述两问题,将WOA进行改进(improved whale optimization algorithm,IWOA),并优化LSTM,提出IWOA-LSTM新方法。所提方法将WOA赋予动量驱动功能,继承了LSTM中的Adam优化器动量项,可优化细胞权值的搜索区域,进而提高权值寻优效率;将其与Adam优化器联合优化更新权值矩阵,以跳出局部最小值,提高故障诊断精度。此外,还系统地分析了学习效率和迭代次数对IWOA-LSTM的诊断精度影响,实现高效的故障诊断分析。通过分析实测滚动轴承内圈、外圈和滚动体三种故障可知,IWOA-LSTM的故障诊断效率分别较浅层BP神经网络(BPNN)、深度卷积神经网络(convolutional neural network,CNN)、深度门限循环单元神经网络(gated recurrent unit,GRU)、LSTM、WOA优化的LSTM(WOA-LSTM)高出了47.60%,38.06%,37.62%,26.82%,22.71%,且实现高达97%的诊断精度。

关 键 词：滚动轴承 深度学习  鲸鱼算法(WOA)  长短时记忆(LSTM)  

分 类 号：TH137] TP277]