“双向LSTM融合多尺度卷积的轴承亚健康识别算法” 最新研究成果

张利，男，吉林榆树人，教授，硕士生导师，CCF会员，主要研究方向为设备的亚健康状态识别和智能计算。张利团队将人工智能应用于工业设备诊断领域，在轴承智能故障诊断，带钢厚度预测，变电器温度预警等方向取得一系列成果。针对工业设备中轴承故障诊断存在的识别精度不足问题，张利团队的最新研究成果《双向LSTM融合多尺度卷积的轴承亚健康识别算法》，设计了一种长短期记忆网络(Long Short Term Memory Network, LSTM)模型，可用于提取振动数据中时序相关性信息，提取到的特征能更好地帮助模型提升分类准确率。该模型为一种改进的双向长短期记忆网络(Bidirectional Long Short Term Memory Network, Bi-LSTM)，主要包括两个部分，分别是多尺度卷积神经网络(Multi-Scale Convolutional Neural Network, MS-CNN)和Bi-LSTM，其中MS-CNN模块可以提取多维空间相关性信息，避免因单一尺寸卷积核过大或过小造成无法精确定位或覆盖冲击特征位置的问题。而改进后的Bi-LSTM单元结构只有一个“门”结构，可以提取振动数据的前后双向时序依赖关系，利用卷积网络提取到的多维特征进行训练，将空间特征与时间特征融合，帮助模型提高识别精度。实验结果表明该模型提取到的特征具有较高的可靠性、有效性和可区分性，将该模型应用于滚动轴承的故障分类，所得到的模型准确率取得了明显的提升。

文章出处：《辽宁大学学报（自然科学版）》2022年第3期

文章链接：

https://kns.cnki.net/kcms2/article/abstract?v=vdPasdvfHvvqjihDpSyqitBoc5QvyK4iKRf-dK1jZtduI0lzNdh2NpNxz4h1EJsfoK2JE_LuCqyeHNmlk5umRlF3w9794ahaREe64YqYzkeXXxQab9zBQVJeQVPfVgNt&uniplatform=NZKPT