结合深度嵌入度量学习和LSTM的装备故障诊断技术研究

作者：沈凯; 许洁

来源：中国机械, 2023, (27): 2-9.

• 故障诊断
• 深度嵌入度量学习
• LSTM

目前基于LSTM的滚动轴承故障诊断方法，在有效故障数据较少且数据获取困难的情况下，存在诊断效果不佳、泛化能力差的问题。与此同时，设备的状态和属性会随时间变化而发生改变，构建模型来检测设备的细微变化，从而及时检测出设备的异常状态。针对上述问题，本文提出了一种结合深度嵌入度量网络（DEMN）和LSTM的机械装备故障诊断方法。该方法利用使用经验模态分解（EMD）进行特征处理和去噪来提取频域上的特征，起到对原始信号降噪的作用；用LSTM网络实现了故障时序数据中有效信息的提取与传递，捕捉序列数据中的长期依赖关系；为了检测设备的细微变化，并对异常信号及时预警，从而检测设备磨损、老化等问题，用深度嵌入度量网络来引导学习数据之间的相似性和距离度量，得到一个判别性的特征空间，这个特征空间可以用于后续的故障诊断任务。使用美国凯斯西储大学（CWRU）电气工程实验室的轴承数据集来验证所提方法的诊断性能，通过与领域内先进方法对比,验证了所提方法具有较好的泛化性，效果更佳，为工业设备的智能诊断和实现“弯道超车”提供了创新动力。