基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断

作者：陈晓雷; 孙永峰; 李策; 林冬梅

来源：吉林大学学报（工学版）, 2022, 52(02): 296-309.

DOI：10.13229/j.cnki.jdxbgxb20211031

• 故障诊断
• 稳定抗噪声
• 滚动轴承
• 神经网络
• 特征提取
• 注意力机制

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型。该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自动关注每种数据信号的相关信息,提高模型的诊断性能,最后通过全连接层和Softmax层进行特征分类。实验结果表明,SAFDNN在添加不同信噪比大小的额外噪声条件下能够保持较高的故障识别准确率和较好的诊断效果稳定性。

• 单位
  兰州理工大学