基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

• 作者: 张楠 杜小磊 许旭 陈志刚
• 来源期刊: 机电工程
• 学科: 工学
• 关键词: 滚动轴承 故障诊断 小波卷积自编码器 长短时记忆网络 深度学习
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 机械、仪表技术
• 页码范围: 663-668
• 页数: 6页
• 分类号: TH17|TH133.3
• 字数: 5914字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2019.07.001

摘要

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法.首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型.仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈志刚	北京建筑大学机电与车辆工程学院	31	44	4.0	6.0
3	杜小磊	北京建筑大学机电与车辆工程学院	14	5	2.0	2.0
9	张楠	北京建筑大学机电与车辆工程学院	29	26	2.0	4.0
10	许旭	北京建筑大学机电与车辆工程学院	10	2	1.0	1.0