基于TL-LSTM的轴承故障声发射信号识别研究

• 作者: 于洋 何明 刘博 陈长征
• 来源期刊: 仪器仪表学报
• 学科: 工学
• 关键词: 声发射技术 滚动轴承 故障诊断 长短时记忆网络 迁移学习
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 信息处理技术
• 页码范围: 51-59
• 页数: 9页
• 分类号: TH165+.3|TP18
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J1904766

摘要

针对多工况下滚动轴承故障声发射信号智能识别问题,提出了一种长短时记忆网络(LSTM)与迁移学习(TL)相结合的故障识别新方法.该方法仅以单一工况下原始声发射信号参数作为训练样本,构建LSTM模型充分挖掘出声发射信号与故障之间的深层次映射关系,以识别与训练工况具有相近分布特征的其他工况下故障;引入并结合TL来应对相异分布特征的其它工况下故障识别问题,从而可完成多种类型工况下故障特征的自适应提取与智能识别.实验结果表明,对于转速、采集位置或滚动轴承型号工况改变时内圈、外圈及保持架故障的识别均具有较高的准确率,可端对端的实现多种类型工况下故障的实时在线智能监测任务,摆脱了对先验故障数据的过分依赖,验证了该方法的可行性与优越性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈长征		199	1777	21.0	34.0
2	于洋		33	152	7.0	11.0
3	刘博		15	47	4.0	6.0
4	何明		3	1	1.0	1.0