基于小波卷積自編碼器和LSTM網(wǎng)絡(luò)的軸承故障診斷研究
摘要：針對(duì)傳統(tǒng)滾動(dòng)軸承故障診斷方法過度依賴專家經(jīng)驗(yàn)和故障特征提取困難的問題,結(jié)合深層神經(jīng)網(wǎng)絡(luò)處理高維、非線性數(shù)據(jù)的優(yōu)勢(shì),提出了一種基于深層小波卷積自編碼器(DWCAE)和長短時(shí)記憶網(wǎng)絡(luò)(LSTM)的軸承故障診斷方法。首先構(gòu)造了小波卷積自編碼器(WCAE),改進(jìn)了其損失函數(shù),并加入了收縮項(xiàng)限制防止網(wǎng)絡(luò)過擬合;其次將多個(gè)WCAE堆疊構(gòu)成DWCAE,利用大量無標(biāo)簽樣本對(duì)DWCAE進(jìn)行了無監(jiān)督預(yù)訓(xùn)練,挖掘出更有利于故障診斷的深層特征;最后利用深層特征訓(xùn)練LSTM網(wǎng)絡(luò),從而建立了診斷模型。仿真信號(hào)和實(shí)驗(yàn)數(shù)據(jù)分析結(jié)果表明:該方法能有效地對(duì)軸承進(jìn)行多種故障類型和多種故障程度的識(shí)別,特征提取能力和識(shí)別能力優(yōu)于人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等傳統(tǒng)方法及深度信念網(wǎng)絡(luò)、深層自編碼器等深度學(xué)習(xí)方法。
注: 保護(hù)知識(shí)產(chǎn)權(quán),如需閱讀全文請(qǐng)聯(lián)系機(jī)電工程雜志社
相關(guān)推薦
更多械科學(xué)與技術(shù).jpg)
電工程.jpg)
械工程材料.jpg)
械設(shè)計(jì).jpg)
械設(shè)計(jì)與制造.jpg)
工程.jpg)
于我們.jpeg)