基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

摘要

为了对滚动轴承的工作状态及故障类别进行准确的诊断，本文采用长短时记忆（LSTM）神经网络作为分类器对滚动轴承数据集进行分类诊断。首先，从滚动轴承原始运行振动信号中提取时域和频域特征参数，组成具有高维特征参数的数据集；使用核主成分分析（KPCA）方法对高维特征集进行降维处理，选取重要性程度高的特征构成输入特征向量。然后，针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题，提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法（tSSA–LSTM）。最后，使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验，并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络（SSA–LSTM）、遗传算法优化长短时记忆神经网络（GA–LSTM）、粒子群算法优化长短时记忆神经网络（PSO–LSTM）及传统LSTM诊断模型进行对比。结果表明：tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化；所提方法的平均诊断准确率达到98.86%，交叉验证平均诊断结果为98.57%；所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此，本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态，而且具有更强的泛化能力及抗干扰能力，有效地提高了滚动轴承故障诊断的性能。

关键词

麻雀搜索算法 / 故障诊断 / 长短时记忆神经网络 / 特征提取 / 滚动轴承