基于 WDCNN-LSTM 混合模型的滚动轴承故障诊断
来源：机械与电子杂志2025年第02期北京时间：
作者：陈宇;程道来;马向华;彭新开;王建辉
单位：1. 珠海科技学院智能制造与航空学院,广东 珠海 519040 ;?
2. 上海电子信息职业技术学院中德工程学院,上海 201411 ;?
3. 上海应用技术大学电气与电子工程学院,上海 201418 ;
4. 中数复新智能科技(上海)有限公司技术部,上海 201702
摘要：针对滚动轴承故障诊断过程中常忽略原始振动信号时间序列信息的问题,提出一种第 1 层为宽卷积核的深度卷积神经网络( WDCNN )与长短期记忆网络( LSTM )相结合的模型( WDCNN-LSTM ),用于滚动轴承故障诊断分类。首先,轴承故障的原始振动信号经过第 1 层宽卷积核提取特征信息和抑制噪声信息后,通过堆积多个小核函数提取获得更好的特征信息;然后,通过 LSTM 捕捉原始振动信号中的时间序列信息进一步提高模型的特征提取能力;最后,LSTM 将融合特征输入全连接层并通过 Softmax 函数输出轴承故障分类结果。实验结果表明, WDCNN-LSTM 模型能够较好利用原始振动信号中的时间序列信息,在不同的负载和噪声变化中仍具有较高的训练效率和识别率。
关键词：卷积神经网络;故障诊断;长短期记忆网络;滚动轴承
基金资助：国家重点研发计划项目( 2020YFB2007700 )
