基于小波卷积自编码器和LSTM网络 的轴承故障诊断研究*

作者：杜小磊，陈志刚，许旭，等 日期：2019-07-16/span> 浏览：2701 查看PDF文档

                                                  基于小波卷积自编码器和LSTM网络的轴承故障诊断研究*
                                                             杜小磊1,2，陈志刚1,2*，许旭1,2，张楠1
          (1.北京建筑大学 机电与车辆工程学院，北京 100044；2.北京市建筑安全监测工程技术研究中心，北京 100044)

摘要：针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题，结合深层神经网络处理高维、非线性数据的优势，提出了一种基于深层小波卷积自编码器（DWCAE）和长短时记忆网络（LSTM）的轴承故障诊断方法。首先构造了小波卷积自编码器（WCAE），改进了其损失函数，并加入了收缩项限制防止网络过拟合；其次将多个WCAE堆叠构成DWCAE，利用大量无标签样本对DWCAE进行了无监督预训练，挖掘出更有利于故障诊断的深层特征；最后利用深层特征训练LSTM网络，从而建立了诊断模型。仿真信号和实验数据分析结果表明：该方法能有效地对轴承进行多种故障类型和多种故障程度的识别，特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。

关键词：滚动轴承；故障诊断；小波卷积自编码器；长短时记忆网络；深度学习

中图分类号：TH17；TH133.3                       文献标志码：A                      文章编号：1001-4551(2019)07-0663-06

本文引用格式：
杜小磊，陈志刚，许旭,等.基于小波卷积自编码器和LSTM网络的轴承故障诊断研究［J］.机电工程，2019，36(7)：663-668.
DU Xiaole, CHEN Zhigang, XU Xu, et al. Fault diagnosis of bearing based on wavelet convolutional autoencoder and long short term memory network［J］.Journal of Mechanical & Electrical Engineering, 2019,36(7):663-668.
《机电工程》杂志：http://www.meem.com.cn