基于BI-LSTM的小样本滚动轴承故障诊断方法研究

• 作者: 刘晓龙 梅桂明 王江文 范宇雪 邱江洋
• 来源期刊: 噪声与振动控制
• 学科: 交通运输
• 关键词: 故障诊断 CEMMDAN BI-LSTM LR 轴承 傅里叶变换
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 信号处理与故障诊断
• 页码范围: 103-108
• 页数: 6页
• 分类号: U279|TP183
• 字数: 3422字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2020.04.019

摘要

微弱故障特征的有效提取与判别模型的精确性是滚动轴承状态监测和故障诊断的关键.针对长短时记忆网络(LSTM)模型在少样本条件下存在故障诊断准确度较低的问题,提出一种基于双向长短时记忆网络(BI-LSTM)的小样本滚动轴承故障诊断方法:首先采用自适应白噪声的集合经验模态分解(CEEMDAN)与傅里叶变换对信号进行分解变换构成特征矩阵,然后采用BI-LSTM进行特征提取,获取每个样本序列的故障特征,最后采用逻辑回归(LR)将多个故障特征汇总学习.结果表明:所提出的方法在随机的小样本测试集上平均精确度相对传统LSTM模型提高30.8％,可为滚动轴承健康状态监测提供重要算法支撑.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梅桂明	西南交通大学牵引动力国家重点实验室	46	1117	19.0	33.0
2	刘晓龙	西南交通大学牵引动力国家重点实验室	9	21	3.0	4.0
3	王江文	西南交通大学牵引动力国家重点实验室	7	14	3.0	3.0
4	范宇雪	西南交通大学牵引动力国家重点实验室	1	0	0.0	0.0
5	邱江洋	西南交通大学牵引动力国家重点实验室	1	0	0.0	0.0