《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于组序列多分支CNN-LSTM的风机轴承和齿轮箱故障诊断研究

作者:许启发,程启亮,蒋翠侠,等. 日期:2022-10-20/span> 浏览:504 查看PDF文档

基于组序列多分支CNN-LSTM的风机轴承和
齿轮箱故障诊断研究*
许启发1,2,程启亮1,2,蒋翠侠1,2*,汪湘湘1


(1.合肥工业大学 管理学院,安徽 合肥 230009;2.合肥工业大学 
过程优化与智能决策教育部重点实验室,安徽 合肥 230009)


摘要:现实工业环境中,单点数据的采集时间通常为几秒甚至更短,现有基于单点数据的风机轴承和齿轮箱故障智能诊断算法难以取得满意结果,为此,提出了一种具有注意力机制的组序列多分支
卷积神经网络长短期记忆网络(CNNLSTM)模型,即GSMBCLAM模型。首先,将具有相同采样间隔的连续多点数据合并成组序列样本,并将组序列波形和频谱同时输入2个不同的
一维卷积神经网络(1DCNN)中,进行了自适应特征提取;其次,采用注意力机制,将提取出来的特征与人工提取的特征进行了特征加权,并将加权后的特征进行了融合,然后将其输入到LSTM中;再次,考虑到故障分类中,不同类别误分类代价不同的问题,采用焦点损失函数代替了传统的交叉熵损失函数;最后,基于SoftMax分类器输出了诊断结果,通过一个包含54000个原始波形、频谱和人工提取特征,区分5类不同的轴承和齿轮故障和1类正常的真实数据集进行了对比实验。研究结果表明:GSMBCLAM方法在准确率、精确率、召回率、F1分数上分别达到了98.40%、98.46%、98.63%、98.30%;其效果优于只基于单点数据或单分支的模型,各项指标对比于其他深度学习竞争模型具有明显优势;焦点损失函数的引入解决了故障诊断中误分类代价不同的问题。

关键词:齿轮箱故障诊断;轴承故障诊断;组序列;多分支;卷积神经网络长短期记忆网络;焦点损失函数

中图分类号:TH132.4;TH133.3;TM315文献标识码:A文章编号:1001-4551(2022)08-1050-11


本文引用格式:

许启发,程启亮,蒋翠侠,等.基于组序列多分支CNN-LSTM的风机轴承和齿轮箱故障诊断研究[J].机电工程,2022,39(8):1050-1060.

XU Qi-fa, CHENG Qi-liang, JIANG Cui-xia, et al. Fault diagnosis of wind turbine bearing and gearbox based on group-sequence and multi-branch CNN-LSTM model[J].Journal of Mechanical & Electrical Engineering, 2022,39(8):1050-1060.




友情链接

浙江机械信息网