基于BiLSTM的滚动轴承故障诊断研究

• 作者: 赵志宏 赵敬娇 魏子洋
• 来源期刊: 振动与冲击
• 学科: 工学
• 关键词: 双向长短期记忆网络 轴承故障诊断 深度学习
• 年，卷（期）: 2021,（1）
• 页码范围: 95-101
• 页数: 7页
• 分类号: TH133.33|TH165.3
• 语种: 中文
• DOI: 10.13465/j.cnki.jvs.2021.01.013

摘要

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断.滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8％以上,该方法具有一定的应用价值.