基于CNN-LSTM的齿轮箱复合故障状态监测研究

作者：王靖岳; 高天; 王浩天; 王军年

来源：矿山机械, 2022, 50(05): 55-59.

DOI：10.16816/j.cnki.ksjx.2022.05.008

• 齿轮箱复合故障
• 状态监测
• 卷积神经网络
• 长短期记忆神经网络
• 深度学习

基于卷积神经网络 (CNN) 内嵌长短期记忆神经网络 (LSTM) 的优势，将其应用在齿轮箱状态监测中，提出了 CNN 内嵌 LSTM 网络的齿轮箱复合故障状态监测方法。该方法结合了 2 种神经网络的优点，既有 CNN 强大的自主提取抽象信息的功能，联系到数据的深层特征并加以保留，又结合了 LSTM 神经网络的长期记忆功能。经过 CNN 将数据输入到 LSTM 网络中确定阈值，从而达成识别齿轮箱工作状态的目的。通过齿轮箱故障试验台复合故障的试验数据验证了该模型的有效性。通过对比单独采用 CNN 和 LSTM 构建监测模型的准确率，证明了基于 CNN-LSTM 的齿轮箱复合故障状态监测方法的有效性。

• 单位
  沈阳理工大学; 吉林大学; 自动化学院; 汽车仿真与控制国家重点实验室; 沈阳航空航天大学