基于CNN-LSTM和注意力机制的轴承故障诊断方法

作者：陈轲; 黄民; 李一鸣^*

来源：北京信息科技大学学报(自然科学版), 2022, 37(06): 26-31.

DOI：10.16508/j.cnki.11-5866/n.2022.06.004

• 轴承故障诊断
• 卷积神经网络
• 注意力机制
• 长短时记忆网络

针对传统故障诊断方法需手动提取特征、特征信息难以充分挖掘导致普适性差和故障诊断率低等问题，提出基于卷积神经网络(convolutional neural network, CNN)、长短时记忆网络(long short-term memory, LSTM)和注意力机制的端对端轴承故障诊断方法。首先，通过自动提取原始振动信号的空间特征，基于注意力机制对特征信息自适应分配权重，提高模型对重要特征的关注程度，其次经过LSTM进一步提取信号的时序特征，最后通过全连接层完成对轴承故障状态的识别和分类。利用凯斯西储大学公开数据集进行实验，结果表明，模型的平均故障诊断率为99.83%,不同负载下故障诊断率均超过99%。相比于其他模型，该模型的诊断精度高，具有较好的应用价值。

• 单位
  北京信息科技大学; 机电工程学院