科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对工业互联网领域中故障诊断数据存在时序性和夹杂强噪声特点，提出了一种改进一维卷积和双向长短期记忆神经网络融合（1DCNN-BiLSTM）的故障诊断方法。该方法包括对故障振动信号的预处理、特征自动提取以及振动信号的分类。首先采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理；其次构建1DCNN-BiLSTM双通道模型，将处理后信号输入双向长短期记忆神经网络（BiLSTM）模型和一维卷积神经网络（1DCNN）模型两个通道，对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取，针对信号夹杂强噪声问题，对SENet模块进行改进并将其作用于两个不同通道；最后，输入全连接层将双通道提取的特征融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验对比验证，改进后的SENet模块同时作用于1DCNN-BiLSTM双通道时模型在测试集上保证收敛速度的情况下表现出最佳准确率96.87%，优于传统单通道模型，有效提高了机械设备故障诊断效率。
-
单位材料科学与工程学院; 河北工业大学; 中信戴卡股份有限公司
