【技术实现步骤摘要】
一种基于EEMD与改进CNN
‑
BiLSTM的滚动轴承故障诊断方法
[0001]本专利技术属于滚动轴承故障诊断
，具体的说是一种基于EEMD与改进CNN
‑
BiLSTM的滚动轴承故障诊断方法。
技术介绍
[0002]滚动轴承作为旋转部位的重要零件，其发生故障时极易导致经济损失和人员伤亡。有研究表明，在大型机械故障中滚动轴承故障占其中的40%，在小型机械故障中占90%。因此，对滚动轴承的运行状态进行监控，及时发现滚动轴承故障部位以及故障程度，能够有效的减少工业事故，避免人员伤亡。
[0003]在滚动轴承故障诊断领域，大部分是通过分析振动信号的振幅、频率、时频图等特征，判断轴承运行状态，然而采用这种方法需要大量的先验知识。由于滚动轴承实际运行工况更加复杂多变，所以想要从振动信号中获取到有用特征会显得更加困难。基于深度学习的卷积神经网络对图像分类任务具有很好的效果，在进行图像处理时会将原始图片分解为RGB通道（红、黄、蓝三通道），然后输入到卷积神经网络中进行图片分类。尽管基于卷积神...
【技术保护点】
【技术特征摘要】
1.一种基于EEMD与改进CNN
‑
BiLSTM的滚动轴承故障诊断方法，其特征在于：主要步骤为：S1、振动信号的采集与预处理，振动信号划分为训练数据和测试数据；S2、模型的构建S2.1、首先构建卷积神经网络部分；S2.2、接着构建双向长短时记忆神经网络部分；S2.3、构建两个并联的双向长短时记忆神经网络，其单元数均为40，将两个双向长短时记忆神经网络的输出进行相加、展平，输出；S2.4、将S2.3的结果输入到全连接神经网络中，进行最后结果预测；S3、模型训练使用S1的训练数据，输入到S2构建好的模型中，将S2.4的输出结果与训练数据的标签进行交叉熵损失计算，使用反向传播算法更新模型参数，多次重复上述步骤，保存其中最好的结果，将训练参数进行保存；S4、模型测试使用S1的测试数据，输入到S3训练好的模型中，对测试数据进行故障预测评估。2.根据权利要求1所述的一种基于EEMD与改进CNN
‑
BiLSTM的滚动轴承故障诊断方法，其特征在于：S1中使用振动传感器对故障轴承振动信号进行采集，使用重叠采样的方式，对采集到的信号进行扩充，获得更多的训练样本和测试样本，将训练样本和测试样本进行集成经验模态分解，将分解结果堆叠放置，用于卷积神经网络的输入。3.根据权利要求1所述的一种基于EEMD与改进CNN
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。