基于深度学习与支持向量机的滚动轴承故障诊断研究

作者：金江涛; 许子非; 李春^*; 缪维跑

来源：热能动力工程, 2022, 37(06): 176-184.

DOI：10.16146/j.cnki.rndlgc.2022.06.024

• 卷积神经网络
• 长短期记忆网络
• 支持向量机
• 轴承
• 故障诊断

针对滚动轴承运行环境复杂，传统故障诊断方法难以从强非线性信号中提取有效故障特征，且无法充分利用信号自身特征的问题，提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象，基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能，在变演变阶段下的平均准确率达到95.92%,与现有方法相比，至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法，稳定性更佳，体现良好的鲁棒性与泛化性。

• 单位
  上海理工大学