基于TL-LSTM的轴承故障声发射信号识别研究

论文摘要

针对多工况下滚动轴承故障声发射信号智能识别问题,提出了一种长短时记忆网络(LSTM)与迁移学习(TL)相结合的故障识别新方法。该方法仅以单一工况下原始声发射信号参数作为训练样本,构建LSTM模型充分挖掘出声发射信号与故障之间的深层次映射关系,以识别与训练工况具有相近分布特征的其他工况下故障;引入并结合TL来应对相异分布特征的其它工况下故障识别问题,从而可完成多种类型工况下故障特征的自适应提取与智能识别。实验结果表明,对于转速、采集位置或滚动轴承型号工况改变时内圈、外圈及保持架故障的识别均具有较高的准确率,可端对端的实现多种类型工况下故障的实时在线智能监测任务,摆脱了对先验故障数据的过分依赖,验证了该方法的可行性与优越性。

论文目录

• 0 引言
• 1 TL-LSTM模型研究
•   1.1 LSTM单元结构
•   1.2 LSTM模型结构与训练优化方法
•   1.3 TL-LSTM模型方法
• 2 实验研究
•   2.1 实验工况设定
•   2.2 实验环境与参数
•   2.3 多种类型工况下滚动轴承故障识别探究
•     1)不同转速与采集位置工况下的故障识别
•     2)LSTM模型与常用智能识别方法对比分析
•     3)不同滚动轴承型号工况下的滚动轴承故障识别
• 3 结论

文章来源

类型: 期刊论文

作者: 于洋,何明,刘博,陈长征

关键词: 声发射技术,滚动轴承,故障诊断,长短时记忆网络,迁移学习

来源: 仪器仪表学报 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,电信技术

单位: 沈阳工业大学

基金: 国家自然科学基金(51675350)项目资助

分类号: TH133.33;TN912.34

DOI: 10.19650/j.cnki.cjsi.J1904766

页码: 51-59

总页数: 9

文件大小: 499K

下载量: 403