基于小波卷積自編碼器和LSTM網絡的軸承故障診斷研究
摘要：針對傳統滾動軸承故障診斷方法過度依賴專家經驗和故障特征提取困難的問題,結合深層神經網絡處理高維、非線性數據的優勢,提出了一種基于深層小波卷積自編碼器(DWCAE)和長短時記憶網絡(LSTM)的軸承故障診斷方法。首先構造了小波卷積自編碼器(WCAE),改進了其損失函數,并加入了收縮項限制防止網絡過擬合;其次將多個WCAE堆疊構成DWCAE,利用大量無標簽樣本對DWCAE進行了無監督預訓練,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練LSTM網絡,從而建立了診斷模型。仿真信號和實驗數據分析結果表明:該方法能有效地對軸承進行多種故障類型和多種故障程度的識別,特征提取能力和識別能力優于人工神經網絡、支持向量機等傳統方法及深度信念網絡、深層自編碼器等深度學習方法。
注: 保護知識產權,如需閱讀全文請聯系機電工程雜志社
相關推薦
更多
