针对滚动轴承故障的批标准化CNN-LSTM诊断方法
来源：计算机集成制造系统杂志2022年第12期北京时间：
作者：沈涛, 李舜酩
单位：南京航空航天大学能源与动力学院
摘要：旋转机械健康状况的实时监测十分重要,其中滚动轴承故障更是研究的重点。传统的故障诊断方法难以高效准确地诊断出结构复杂的机械故障,而深度学习强大的数据分析和学习能力,使其在机械故障诊断领域发展迅速。为了提高传统卷积神经网络(CNN)在诊断中的准确度,并考虑到长短记忆网络(LSTM)诊断时间较长的缺陷,提出一种批标准化(BN)的CNN-LSTM模型。在凯斯西储大学轴承数据集上的实验表明,批标准化提高了该混合模型的诊断精度和效率。该方法获得了优于传统深度学习故障诊断方法的诊断结果,能够高效准确地进行多种负荷下、多种故障位置以及多种故障程度的诊断。
关键词：滚动轴承,故障诊断,卷积神经网络,长短时记忆网络,批标准化
基金资助：国家重大科技专项资助项目(2017IV00080045);国家自然科学基金资助项目(51975276,51675262);工信部重点实验室资助项目(KL2019N001)。
