科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对轴承在混合工况下轴承故障位置诊断准确率低，且在少量样本训练时鲁棒性差的问题，提出一种基于混合倒谱特征和长短时序神经网络(long short-term memory networks, LSTM)的故障诊断方法。该方法结合梅尔倒谱系数频谱能量分布特征提取能力强，伽马特征倒谱系数抗噪性能好，线性预测倒谱系数反应共振峰特性的优点，通过向量拼接获得混合倒谱特征；采用双层LSTM作为轴承故障分类器，改善长时序列训练梯度爆炸和消失问题。实验结果表明，该方法在公开故障轴承数据集准确率达99.8%,并在降低训练集样本时保持准确率在99.0%以上，表现出低训练成本下较高的故障识别能力。
- 单位
