基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

作者：董绍江; 李洋; 梁天; 赵兴新; 胡小林; 裴雪武; 朱朋

来源：振动.测试与诊断, 2022, 42(05): 1009-1040.

DOI：10.16450/j.cnki.issn.1004-6801.2022.05.025

• 变工况故障诊断
• 卷积神经网络
• 双向长短时记忆网络
• 注意力机制
• DropConnect和Dropout

针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络-双向长短时记忆网络（convolutional neural network-bidirectional long short-term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN-BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。

• 单位
  重庆交通大学