基于长短期记忆网络的轴承故障诊断算法研究

发布时间：2025-07-09 04:59

　　滚动轴承是机械部件中最常用的部件之一,有效可靠的轴承故障实时监测系统对于现代工业发展具有重大意义。现有主流的故障诊断算法大多以人为提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人为提取特征容易丢失关键信息,无法保证通用性和泛化能力。本文以滚动轴承为研究对象,针对现有技术的不足,提出了一套基于长短期记忆网络LSTM的轴承故障诊断模型,可以依据网络特性自动提取特征和故障识别。本文首先建立了基于LSTM的轴承故障诊断模型,将数据映射到线性网络层,通过长短期记忆网络训练参数,再输入到softmax输出层得到分类类别的概率分布。模型对凯斯西储轴承故障试验平台中含有内外圈和滚动体点蚀故障的轴承数据进行识别试验,结果表明该模型能有效识别轴承的故障部位和故障程度,并与预先提取小波包能量特征的LSTM模型和支持向量机模型作对比,证明该模型的准确率更高,稳定性更好。基于LSTM的轴承故障诊断模型已经达到了很高的准确率,但训练速度慢,难以满足实时监测的要求。卷积神经网络CNN中卷积层和降采样层可以充分提取数据特征并降低数据维度,加快训练速度。由此,提出了基于一维卷积的LSTM故障诊断模型,由卷积层...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图1.1end-to-end双层LSTM编码解码结构图

重庆大学硕士学位论文1绪论设计了双向LSTM（bidirectionalLSTM）模型，实现了手写字符识别。以81.5%的字符准确率，超过了隐马尔可夫模型（HMM）的字符识别模型70.1%的准确率。2014年，Sutskever等[30]提出了端到端（end-to....

图1.2轴承故障诊断模型步骤Fig.1.2Bearingfaultdiagnosismodelstep

重庆大学硕士学位论文1绪论者时频分析，对设计人员技术要求高。为了解决以上问题，本文尝试将特征提取和设计分类器两个步骤合二为一，简化模型，设计一种端到端的深度学习网络架构，直接分析原始振动信号的深层性质，保留其重要特征，实现一个泛化能力强大的故障诊断模型。滚动轴承产生的振动信号....

图2.1传统人工神经网络结构

2长短期记忆网络理论基述基于长短期记忆网络的轴承故障诊断模型的网络架构及优化算法，循环神经网络因其据，但在误差反向传播过程中容易出现梯度记忆网络，介绍其在网络架构上的改进，最后网络RNN络（RecurrentNeuralNetworks，RNNs）是专。如果用传统人工神经网络....

图2.2RNN网络架构

网络中每一个参数的详细描述如下：：在时刻t的d维输入向量。()×：用于输入向量的权重矩阵,为隐层的神经元()×：用于上一时刻隐层的权重矩阵。：上一时刻t-1的隐层状态。其....

本文编号：4057196