基于深度学习与混沌特征融合的滚动轴承故障诊断
金江涛1
许子非1
李春2
缪维跑1
肖俊青1
孙康1
1.上海理工大学 能源与动力工程学院,上海2000932.上海理工大学 能源与动力工程学院,上海200093;上海市动力工程多项流动与传热重点实验室,上海200093
摘要：本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN(Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为?6 dB信号时,该方法仍具有89.96％的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36％和5.21％,且在收敛速度方面亦有较大优势.
关键词：卷积神经网络长短期记忆网络支持向量机混沌特征融合轴承故障诊断
资助基金：国家自然科学基金(51976131)国家自然科学基金(51676131)国家自然科学基金(52006148)上海市科技创新心动计划地方院校能力建设项目(19060502200)
论文发表日期：2022-01-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 109-116 )
英文信息