《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于小波卷积自编码器和LSTM网络 的轴承故障诊断研究*

作者:杜小磊,陈志刚,许旭,等 日期:2019-07-16/span> 浏览:1922 查看PDF文档

                                                  基于小波卷积自编码器和LSTM网络的轴承故障诊断研究*
                                                             杜小磊1,2,陈志刚1,2*,许旭1,2,张楠1
          (1.北京建筑大学 机电与车辆工程学院,北京 100044;2.北京市建筑安全监测工程技术研究中心,北京 100044)




摘要:针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。

关键词:滚动轴承;故障诊断;小波卷积自编码器;长短时记忆网络;深度学习

中图分类号:TH17;TH133.3                       文献标志码:A                      文章编号:1001-4551(2019)07-0663-06





本文引用格式:
杜小磊,陈志刚,许旭,等.基于小波卷积自编码器和LSTM网络的轴承故障诊断研究[J].机电工程,2019,36(7):663-668.
DU Xiaole, CHEN Zhigang, XU Xu, et al. Fault diagnosis of bearing based on wavelet convolutional autoencoder and long short term memory network[J].Journal of Mechanical & Electrical Engineering, 2019,36(7):663-668.
《机电工程》杂志:http://www.meem.com.cn







友情链接

浙江机械信息网