用于轴承故障诊断的端到端 CNN+LSTM 深度学习方法
信号处理
2020-09-09 v6
摘要
故障诊断与预测在实践中和研究中均为重要课题。工业工厂面临着持续减少非计划停机、性能退化和安全隐患的强烈压力，这需要在早期阶段检测并恢复潜在故障。智能故障诊断因其能够快速高效处理采集信号并提供准确诊断结果而是一种有前景的工具。尽管许多研究已开发机器学习 (M.L) 和深度学习 (D.L) 算法用于检测轴承故障，其结果通常受限于相对较小的训练与测试数据集，且输入数据经过人为处理（使用选择性特征）以达到高准确率。本工作中，从加速度计采集的 raw 数据（时域特征）被作为新颖时间序列预测算法的输入，以提出一种端到端的故障检测方法。我们使用等价时间序列作为新颖的卷积长短期记忆循环神经网络 (CRNN) 的输入，以在尽可能短的时间内以最高准确率检测轴承故障。据本文作者所知，该方法可在文献中达到最高准确率，且不对输入数据做任何预处理或人为处理。通过将该方法应用于两个常用基准真实振动数据集并与其他智能故障诊断方法比较结果，验证了其有效性与可行性。
引用
@article{arxiv.1909.07801,
title = {End-to-End CNN+LSTM Deep Learning Approach for Bearing Fault Diagnosis},
author = {Amin Khorram and Mohammad Khalooei and Mansoor Rezghi},
journal= {arXiv preprint arXiv:1909.07801},
year = {2020}
}
备注
Appl Intell (2020)