基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

周玉, 房倩, 裴泽宣, 白磊

工程科学与技术 ›› 2024, Vol. 56 ›› Issue (02) : 289 -298.

PDF
工程科学与技术 ›› 2024, Vol. 56 ›› Issue (02) : 289 -298. DOI: 10.15961/j.jsuese.202200709

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

作者信息 +

Author information +
文章历史 +
PDF

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

Key words

引用本文

引用格式 ▾
周玉, 房倩, 裴泽宣, 白磊. 基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断[J]. 工程科学与技术, 2024, 56(02): 289-298 DOI:10.15961/j.jsuese.202200709

登录浏览全文

4963

注册一个新账户 忘记密码

参考文献

AI Summary AI Mindmap
PDF

8

访问

0

被引

详细

导航
相关文章

AI思维导图

/