基于1D-CNN和SWLSTM的风电轴承故障诊断方法

作者：荆东星; 陈杨晖^*; 全哲

来源：机械强度, 2023, 45(06): 1309-1317.

DOI：10.16579/j.issn.1001.9669.2023.06.006

• 风电
• 故障诊断
• 滚动轴承
• 共享权重长短时记忆网络
• 一维卷积神经网络

针对风电机组滚动轴承故障特征微弱，对应的信号具有非线性、非平稳性并含有噪声干扰的问题，以及信号本身具有空间和时域信息的特点，提出一种基于一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)和共享权重长短时记忆网络(Shared Weight Long Short-Term Memory Network, SWLSTM)进行空时融合的风电机组滚动轴承故障诊断的卷积共享权重记忆网络(Convolutional Shared Weight Long Short-Term Memory Network, CSWLSTM)。使用美国西储大学滚动轴承数据集进行验证，相较于具有相同结构的卷积长短时记忆网络(Convolutional Long Short-Term Memory Network, CLSTM)模型和卷积门控循环网络(Convolutional Gated Recurrent Unit Network, CGRU)模型，CSWLSTM模型在训练时间上分别降低了39.9%和19.0%,模型参数量分别降低了63.3%和53.4%。在测试集上使用的分类评价指标准确率分别提升了1.0%和1.5%,精确率分别提升了1.0%和1.7%,召回率分别提升了0.9%和1.0%。仿真实验结果表明，所提出的CSWLSTM模型在风电机组滚动轴承故障诊断方面具有较好的应用潜力。

• 出版日期2023
• 单位湘西民族职业技术学院; 湖南大学