来源：期刊VIP网 时间：
作者：刘晓腾;王德涛;孙静;陈广华;
单位：新乡职业技术学院计算机学院;开封技师学院智能制造学院;河南科技学院机电学院;
摘要：对轴承故障诊断时，除了需考虑空间结构的关系之外，还应分析数据在不同时间维度方面的差异，综合运用卷积神经网络(CNN)和长短期记忆网络(LSTM)建立深度卷积循环神经网络(DCLSTM),实现优异的时间与空间特征性能，能够充分发挥传感序列特征。利用初始信号的自适应学习方法确定特征参数，有效避免在特征选择与分类过程中受到主观因素的影响。研究结果表明：相对传统方法，采用DCLSTM模型准确率达到了99%以上，波动幅度也很小，表现出高稳定性状态。DCLSTM网络具备最高稳定性，对应标准差为0.59%,获得比传统方法更优的故障诊断效果。DCLSTM诊断精度对于各电机负载达到了最高水平，波动幅度只有0.64%。支持向量机(SVM)与CNN依次波动2.8%与5.99%,表明DCLSTM网络对于各工况故障都可以实现高精度诊断的要求。
关键词：轴承;;故障诊断;;卷积神经网络;;循环神经网络;;特征提取
基金资助：河南省高等学校重点科研项目(22A4710005)
