基于特征增强与LSTM的滚动轴承故障诊断方法

作     者：惠兴胜 于树坤 纪威 刘士彩 孙波 

作者机构：中国电信股份有限公司烟台分公司 山东科技大学电子信息工程学院 无棣县公共就业和人才服务中心 山东科技大学智能装备学院 

出 版 物：《机床与液压》 (Machine Tool & Hydraulics)

年 卷 期：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：滚动轴承 自适应局部迭代滤波 多点优化最小熵解卷积 长短时记忆网络 故障诊断 

摘      要：滚动轴承是旋转机械设备中重要的基础零部件，广泛应用于各种工业设备。目前，已有多位学者对轴承故障诊断进行了研究。由于滚动轴承的工作环境复杂多变，传统的信号处理技术难以在噪声和其他部件的干扰下检测到微弱的早期故障特征，并且传统的故障诊断方法存在对人工提取特征的依赖。针对以上问题，本文提出了基于自适应局部迭代滤波（Adaptive Local Iterative Filter， ALIF）和改进差分进化粒子群优化的多点优化最小熵解卷积（Improved Differential Evolution Particle Swarm Optimization Multipoint Optimal Minimum Entropy Deconvolution Adjusted， IDEPSO-MOMEDA）算法对滚动轴承的故障冲击成分进行增强，解决了早期微弱故障特征不容易发现的问题。首先，利用ALIF分解信号，根据峭度-相关系数准则对分解的信号进行重构；其次，利用IDEPSO对MOMEDA进行参数寻优，对重构后的信号进行冲击增强；最后，利用长短时记忆网络（Long Short-Term Memory， LSTM）对滚动轴承实现端到端的智能故障诊断，解决了人工提取特征的不足。通过滚动轴承实验数据验证了该方法的有效性，并与LSTM、ALIF-LSTM、ALIF-IDEPSO-MOMEDA-RNN、ALIF-IDEPSO-MOMEDA-DBN进行了实验对比分析，发现使用本文所提方法ALIF-IDEPSO-MOMEDA-LSTM的故障诊断准确率可达99.78%，进一步证明了该方法的优越性。