热能动力工程

作者：金江涛，许子非，李 春，缪维跑

单位：上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,,上海理工大学 能源与动力工程学院，上海 200093,

关键词：卷积神经网络;长短期记忆网络;支持向量机;轴承;故障诊断

基金：国家自然科学基金（51976131，52006148）；上海市“科技创新心动计划”地方院校能力建设项目（19060502200）

针对滚动轴承运行环境复杂，传统故障诊断方法难以从强非线性信号中提取有效故障特征，且无法充分利用信号自身特征的问题，提出CNNLSTMSVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象，基于卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆网络(Long Short Term Memory,LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine,SVM)完成故障分类。结果显示：该方法具有良好外推性能，在变演变阶段下的平均准确率达到95.92%，与现有方法相比，至少高出11.34%，且在噪声环境下的诊断准确率均高于现有方法，稳定性更佳，体现良好的鲁棒性与泛化性。

来源：2022年第6期

《热能动力工程》期刊编辑部

查看热能动力工程杂志2022年第6期