-
题名基于特征增强与LSTM的滚动轴承故障诊断方法
被引量：1
- 1
-
-
作者
惠兴胜
于树坤
纪威
刘士彩
孙波
-
机构
山东科技大学电子信息工程学院
中国电信股份有限公司烟台分公司
无棣县公共就业和人才服务中心
山东科技大学智能装备学院
-
出处
《机床与液压》
北大核心
2024年第24期214-227,共14页
-
文摘
滚动轴承的工作环境复杂多变,传统的信号处理技术难以在噪声和其他部件的干扰下检测到微弱的早期故障特征,且传统的故障诊断方法对人工提取特征较为依赖。针对以上问题,提出基于自适应局部迭代滤波(ALIF)和改进差分进化粒子群优化的多点优化最小熵解卷积(IDEPSO-MOMEDA)算法,对滚动轴承的故障冲击成分进行增强。利用ALIF分解信号,根据峭度-相关系数准则对分解的信号进行重构;利用IDEPSO对MOMEDA进行参数寻优,对重构后的信号进行冲击增强;最后,利用长短时记忆网络(LSTM)对滚动轴承实现端到端的智能故障诊断,以解决人工提取特征的不足。通过滚动轴承实验数据验证了该方法的有效性,并与LSTM、ALIF-LSTM、ALIF-IDEPSO-MOMEDA-RNN、ALIF-IDEPSO-MOMEDA-DBN进行对比分析,使用所提方法ALIF-IDEPSO-MOMEDA-LSTM的故障诊断准确率可达99.78%,进一步证明了该方法的优越性。
-
关键词
滚动轴承
自适应局部迭代滤波(ALIF)
多点优化最小熵解卷积
长短时记忆网络(LSTM)
故障诊断
-
Keywords
rolling bearing
adaptive local iterative filter(ALIF)
multipoint optimal minimum entropy deconvolution adjusted
long short term memory(LSTM)
fault diagnosis
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
