机床与液压

作者：夏宇航，陈星，付文龙，李金才，蒋晓辉

单位：三峡大学电气与新能源学院；三峡大学电气与新能源学院；三峡大学电气与新能源学院;三峡大学梯级水电站运行与控制湖北省重点实验室；三峡大学电气与新能源学院；三峡大学电气与新能源学院

关键词：旋转机械;故障诊断;卷积;残差;LSTM

基金：湖北省水电机械设计与维修重点实验室开放基金项目(2017KJX06)

为有效提取振动信号中隐含的故障特征，以准确判别机械故障类型，提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征；通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM），减少网络需要优化的参数及训练时间，进而更高效地发掘上层网络输出信号中隐含的时间特征。同时，引入缩放指数线性单元函数以提升网络自归一化性能，并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后，基于机械故障实测数据集开展对比实验，结果表明所提模型在4种转速下的平均诊断精度达到99.30%，相对于其他模型具有更优的诊断精度和稳定性。

来源：2023年第16期

《机床与液压》期刊编辑部

查看机床与液压杂志2023年第16期