基于CNN-LSTM的齿轮箱复合故障状态监测研究

摘要

基于卷积神经网络(CNN)内嵌长短期记忆神经网络(LSTM)的优势,将其应用在齿轮箱状态监测中,提出了CNN内嵌LSTM网络的齿轮箱复合故障状态监测方法。该方法结合了2种神经网络的优点,既有CNN强大的自主提取抽象信息的功能,联系到数据的深层特征并加以保留,又结合了LSTM神经网络的长期记忆功能。经过CNN将数据输入到LSTM网络中确定阈值,从而达成识别齿轮箱工作状态的目的。通过齿轮箱故障试验台复合故障的试验数据验证了该模型的有效性。通过对比单独采用CNN和LSTM构建监测模型的准确率,证明了基于CNN-LSTM的齿轮箱复合故障状态监测方法的有效性。