基于优化A-BiLSTM的滚动轴承故障诊断

摘要

为提高超参数设置的效率及其与模型的适配性，改善人工设置模型参数的高成本和低效率问题，提出一种基于蜜獾算法（Honey badger algorithm, HBA）优化注意力双向长短时记忆网络（HBA-A-BiLSTM）的滚动轴承故障诊断方法。首先，通过HBA对A-BiLSTM模型进行最优超参数组合搜寻，然后基于最优超参数下的A-BiLSTM模型进行故障诊断性能测试。最后，基于不同工况的数据集进行模型泛化能力测试。采用CWRU数据集对所提方法的故障诊断效果进行验证，利用诊断精度以及混淆矩阵进行评价。实验结果表明，与其他群智能优化算法相比，蜜獾算法搜索全局性能好，收敛速度快，优化后的最终模型的故障诊断准确率达到了99.5%，具有良好的效果，且在不同工况下能够实现稳定、准确的故障诊断性能，泛化能力强。

关键词

故障诊断 / 蜜獾算法 / 参数优化 / 双向长短时记忆网络 / 注意力机制