噪声与振动控制

噪声与振动控制 ›› 2025, Vol. 45 ›› Issue (1): 105-111.

• 信号处理与故障诊断 • 上一篇    下一篇

时序记忆增强的CNN-LSTM滚动轴承故障诊断方法

陈永展，曲建岭，王小飞，王元鑫   

  1. （ 海军航空大学青岛校区，山东青岛266041 ）
  • 收稿日期:2023-06-13 修回日期:2023-09-18 出版日期:2025-02-18 发布日期:2025-02-07

Rolling Bearing Fault Diagnosis Based on CNN-LSTM with Time Sequential Memory Enhancement

  • Received:2023-06-13 Revised:2023-09-18 Online:2025-02-18 Published:2025-02-07

PDF

摘要： 针对CNN-LSTM 网络处理小样本含噪数据时诊断误差较大的问题，提出一维卷积神经网络（One Dimensional-Convolutional Neural Network，1D-CNN）和长短时记忆网络（Long Short-Term Memory，LSTM）相融合的时序记忆增强故障诊断模型（CNN-LSTM- time Sequential Memory Enhancement，CNN-LSTM-TSME）。该模型首先通过CNN自适应提取时序数据的故障特征，其次通过对LSTM的输入数据进行递推平均滤波，增强对时序含噪数据的处理能力，再次通过耦合LSTM单元的遗忘门和输入门，将两者分别与记忆单元相连，提高时序数据的记忆能力，从而更加适合于小样本数据的学习，最后利用全连接层后的Softmax 函数实现多轴承故障状态的识别。基于凯斯西储大学滚动轴承数据集的实验表明，该模型对于标准数据和加噪数据的平均准确率均在95 %以上，明显优于CNN-LSTM和其他现有模型，具有较高的诊断精度和泛化性能。

关键词: 故障诊断, 滚动轴承, 时间序列, 卷积神经网络, 长短时记忆网络