《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于SNN-LSTM的小样本数据下轴承故障诊断方法

作者:吕云开,武兵,李聪明. 日期:2023-03-23/span> 浏览:414 查看PDF文档

基于SNN-LSTM的小样本数据下
轴承故障诊断方法*
吕云开1,武兵1,2*,李聪明1,2

(1.太原理工大学 机械与运载工程学院,山西 太原 030024;
2.太原理工大学 新型传感器与智能控制教育部重点实验室,山西 太原 030024)


摘要:基于深度学习的故障诊断方法的实现,需要用到大量的、有标注的训练样本,而在小样本数据下,采用这些方法会产生模型欠拟合问题,同时获得的分类准确率也较低。为了解决上述问题,提出了一种小样本数据下结合孪生神经网络(SNN)与长短时记忆网络(LSTM)的轴承故障诊断方法。首先,以一对带有正负标签的原始振动信号样本作为诊断方法的输入,采用比较二者相似度的方法,扩充了训练样本个数;然后,采用共享提取样本对特征网络参数的方法,完成了SNN的搭建过程;使用卷积层、池化层及LSTM层提取了原始振动信号的特征,通过计算二者之间的曼哈顿距离,判断输入样本对的相似度,对不同状态下的轴承完成了分类;最后,为了验证基于SNNLSTM的故障诊断方法在轴承故障诊断中的有效性,通过轴承故障诊断实验,采集了在不同转速、不同状态下的轴承振动信号数据。研究结果表明:当样本数量仅为140个,采用基于SNNLSTM的故障诊断方法的准确率达到80.57%,相比于深度学习经典方法,在小样本数据下采用该方法具有更高的诊断准确率。

关键词:深度学习;孪生神经网络;长短时记忆网络;训练样本;模型欠拟合;分类准确率;曼哈顿距离

中图分类号:TH133.33;TP391文献标识码:A文章编号:1001-4551(2023)01-0062-07

本文引用格式:

吕云开,武兵,李聪明.基于SNN-LSTM的小样本数据下轴承故障诊断方法[J].机电工程,2023,40(1):62-68.

LV Yun-kai, WU Bing, LI Cong-ming. Bearing fault diagnosis method based on SNN-LSTM under limited samples[J].Journal of Mechanical & Electrical Engineering, 2023,40(1):62-68.





友情链接

浙江机械信息网