基于双通道深度学习的轴承故障诊断研究

作者：宋晓承,岑跃峰,张宇来,等. 日期：2023-09-20/span> 浏览：1151 查看PDF文档

摘要:近年来,基于深度学习和振动分析的轴承故障诊断研究发展迅速,逐渐取代了人工提取特征和基于机器学习的传统方法。针对轴承故障诊断中现有的深度学习模型，存在单一模型稳定性和泛化能力差、普通混合模型功能互排斥，导致局部特征提取能力不足等问题,提出了一种基于卷积神经网络(CNN)和循环神经网络(RNN)的双通道网络算法(模型),用于轴承故障诊断。首先,选取了一维卷积(1DCNN)和双向长短期记忆神经网络(BiLSTM)作为基础模型;然后,由多头自注意力机制(MS)代替了一维卷积中的池化层;最后,在双向长短期记忆神经网络中引入了多头自注意力机制,整体模型由MSCNNMSBiLSTM指代,并通过美国凯斯西储大学提供的轴承故障数据进行了实验验证。研究结果表明:MSCNNMSBiLSTM获得99%的分类精度,相对于其他对比模型,该模型获得更好的实验结果;普通的混合模型在通过引入多头自注意力机制(MS)之后,相对于单一模型而言,能够获得更好的稳定性和泛化性能;与普通混合模型相比,该模型能够提取更深层次的特征。

关键词:循环神经网络;深度学习;卷积神经网络(CNN);双向长短期记忆神经网络(BiLSTM);多头自注意力机制(MS)

中图分类号:TH133.3;TP206.3文献标识码:A文章编号:1001-4551(2023)07-0988-11


本文引用格式:

宋晓承,岑跃峰,张宇来,等.基于双通道深度学习的轴承故障诊断研究［J］.机电工程,2023,40(7):988-998.

SONG Xiao-cheng, CEN Yue-feng, ZHANG Yu-lai, et al. Bearing fault diagnosis based on two-channel deep learning［J］.Journal of Mechanical & Electrical Engineering, 2023,40(7):988-998.