基于CNN-LSTM的轴承故障智能诊断方法研究

摘要

针对轴承工况背景复杂、故障诊断难度大、威胁公共安全和社会经济等特点,利用深度学习方法对轴承故障进行分析和建模.考虑轴承故障诊断对实时性、稳定性以及准确性的高要求特性,基于卷积神经网络(CNN)自动提取重要特征、训练速度快的优势,提取轴承故障信号的故障信息作为整体模型的输入.提出了卷积-长短时记忆神经网络(CNN-LSTM)轴承故障诊断模型,建立一种端到端的学习架构,实现轴承故障的智能诊断和分类.使用凯斯西储大学(CWRU)轴承数据在Python搭建的keras框架仿真验证,结果显示所提故障诊断方法较传统方法准确率更高,模型的运行速度相较于长短时记忆网络(LSTM)轴承故障诊断方法更快,可以有效解决对比模型的稳定性差、收敛速度慢的问题.实测结果验证了所建模型应用于轴承故障诊断领域的准确性和可行性,表明结合深度学习建立轴承故障诊断模型必将成为轴承故障诊断行业的重要发展方向之一.