-
题名基于深度学习的旋转机械大数据智能故障诊断方法
- 1
-
-
作者
宫文峰
张美玲
陈辉
-
机构
武汉理工大学船海与能源动力工程学院高性能舰船技术教育部重点实验室
北部湾大学东密歇根联合工程学院
北部湾大学机械与船舶海洋工程学院广西海洋工程装备与技术重点实验室
南洋理工大学电子与电气工程学院
北部湾大学经济管理学院
-
出处
《计算机集成制造系统》
北大核心
2025年第1期264-277,共14页
-
基金
国家重点研发计划资助项目(2019YFE0104600)
国家水运安全工程技术研究中心开放基金资助项目(A202501)
+2 种基金
广西高等教育本科教学改革工程重点资助项目(2024JGZ146)
广西自然科学基金资助项目(2024JJH160010,2020GXNSFBA159058)
武汉理工大学优秀博士学位论文培育项目(2019-YB-023)。
-
文摘
深度学习作为一种智能高效的模式识别技术,已得到基于大数据驱动的机械装备故障诊断领域学者的广泛关注。为了更加有效地从多传感器原始故障数据中提取出故障特征,解决单一诊断算法提取时序数据特征时的信息丢失问题,提出一种基于改进的长短期记忆循环神经网络-全局均值池化卷积神经网络(LSTM-GCNN)的深度循环卷积神经网络新算法,用于机械装备大数据的故障智能诊断。该算法首先运用长短时记忆循环神经网络(LSTM)从多通道原始数据中提取时间关联性记忆特征,然后再将特征数据输入到一维卷积神经网络(1D-CNN)中进行微小差异特征辨识,并且为了减少模型参数量和提高算法检测速度,设计了一个一维全局均值池化层用于代替传统1D-CNN算法中的全连接层结构。通过将提出的算法用于滚动轴承在1马力、2马力和3马力多种负载工况下采集的3通道振动信号数据进行诊断验证,分别得到100%、99.85%和99.78%的诊断准确率,实验结果相比传统的DNN、LSTM和CNN算法具有更加优越的诊断性能;对齿轮箱在空载和承载两种运行工况下的8通道原始数据进行故障诊断的准确率分别高达99.93%和99.8%,具有良好的迁移通用性能。
-
关键词
智能故障诊断
深度学习
循环神经网络
卷积神经网络
多传感器
-
Keywords
intelligent fault diagnosis
deep learning
recurrent neural network
convolutional neural network
multi-sensor
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
TP18
[自动化与计算机技术—控制理论与控制工程]
TH133
[机械工程—机械制造及自动化]
-
