基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法.pdf

２０２４年６月机床与液压Ｊｕｎ２０２４

第５２卷第１１期ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳＶｏｌ５２Ｎｏ１１

－

ＤＯＩ：１０．３９６９／ｊｉｓｓｎ１００１３８８１２０２４１１０３１

－

文献引用：徐行，李军星，贾现召，等．基于１ＤＣＮＮＢｉＬＳＴＭ的端到端滚动轴承故障诊断方法［Ｊ］．机床与液压，２０２４，５２

－

（１１）：２１１２１８．

－－－

Ｃｉｔｅａｓ：ＸＵＨａｎｇ，ＬＩＪｕｎｘｉｎｇ，ＪＩＡＸｉａｎｚｈａｏ，ｅｔａｌ．Ｅｎｄｔｏｅｎｄｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎ１ＤＣＮＮＢｉＬＳＴＭ［Ｊ］．

－

ＭａｃｈｉｎｅＴｏｏｌ＆Ｈｙｄｒａｕｌｉｃｓ，２０２４，５２（１１）：２１１２１８．

－

基于１ＤＣＮＮＢｉＬＳＴＭ的端到端滚动轴承故障诊断方法

１１，２１１

徐行，李军星，贾现召，邱明

（１河南科技大学机电工程学院，河南洛阳４７１００３：２机械装备先进制造

河南省协同创新中心，河南洛阳４７１００３）

摘要：针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题，提出一种基于卷积神

经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征，并在卷积层

后引入批正则化层，以消除数据的不规则性对权重优化的影响，并通过扩展首层卷积层和调整步长以提高特征提取效率。

引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力，通过批正则化层和Ｄｒｏｐｏｕｔ层增强模型的鲁棒性

和减少神经元与神经元之间的依赖关系。最后，通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相

比，文中方法不仅训练速度更快，而且故障诊断准确率也大幅提高。

关键词：滚动轴承；故障诊断；卷积神经网络（ＣＮＮ）；双向长短时记忆神经网络（ＢｉＬＳＴＭ）

中图分类号：ＴＨ１３３３；ＴＨ１７

－－－

ＥｎｄｔｏＥｎｄＲｏｌｌｉｎｇＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓＭｅｔｈｏｄＢａｓｅｄｏｎ１ＤＣＮＮＢｉＬＳＴＭ

１１，２１１

ＸＵＨａｎｇ，ＬＩＪｕｎｘｉｎｇ，ＪＩＡＸｉａｎｚｈａｏ，ＱＩＵＭｉｎｇ

（１．ＳｃｈｏｏｌｏｆＭｅｃｈａｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｉｎｇ，ＨｅｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，ＬｕｏｙａｎｇＨｅｎａｎ４７１００３，

Ｃｈｉｎａ；２．ＡｄｖａｎｃｅｄＭａｃｈｉｎｅｒｙａ