基于LSTM与迁移学习的滚动轴承故障诊断

• 作者: 修嘉芸 谷玉海 任斌 王红军
• 来源期刊: 重庆理工大学学报（自然科学版）
• 学科: 工学
• 关键词: 长短期记忆网络 迁移学习 滚动轴承 故障诊断
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 机械·材料
• 页码范围: 83-88
• 页数: 6页
• 分类号: TP206+.3|TH133.3
• 语种: 中文
• DOI: 10.3969/j.issn.1674-8425(z).2021.01.011

摘要

目前以数据驱动为基础的深度学习故障诊断方法已经得到了广泛的研究,然而基于深度学习的故障诊断普遍存在需要海量训练数据的不足.为有效克服上述问题,提出了一种基于长短期记忆网络(long short-term memory,LSTM)与迁移学习结合的滚动轴承智能故障诊断方法.首先使用心电图片段数据对网络中的参数进行训练,然后将正常状态下和各类故障状态下的滚动轴承曲线作为网络输入训练网络最后3个全连接层,最后得到整个训练网络.通过数据验证,证明所采用的方法与传统的故障诊断方法相比,能更加智能识别各类故障类别,并且拥有更高的正确率和良好的泛化能力.