机床与液压

作者：徐行，李军星，贾现召，邱明

单位：河南科技大学机电工程学院；河南科技大学机电工程学院；机械装备先进制造河南省协同创新中心；河南科技大学机电工程学院；河南科技大学机电工程学院

关键词：滚动轴承;故障诊断;卷积神经网络（CNN）;双向长短时记忆神经网络（BiLSTM）

基金：国家自然科学基金青年科学基金项目（52005159）；河南省科技研发计划联合基金青年科学家项目（225200810073）；河南省科技研发计划联合基金应用攻关项目（232103810043）；河南省高校科技创新人才支持计划项目（24HASTIT043）；河南省高等学校青年骨干教师培养计划项目（2021GGJS048）；河南省青年人才托举工程项目（2023HYTP050）

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题，提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征，并在卷积层后引入批正则化层，以消除数据的不规则性对权重优化的影响，并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力，通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后，通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相比，文中方法不仅训练速度更快，而且故障诊断准确率也大幅提高。

来源：2024年第11期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第11期