时序记忆增强的CNN-LSTM滚动轴承故障诊断方法OA北大核心

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。