来源：期刊VIP网 时间：
作者：仇芝;徐泽瑜;陈涛;石明江;韦明辉;
单位：西南石油大学机电工程学院;
摘要：针对轴承故障数据样本少、未知故障难以分类等问题，提出了一种将一维卷积神经网络（1D convolutional neural network, 1D-CNN）连接深层长短时记忆循环神经网络（Deep long-short-term memory neural network, DLSTM）的模型结合迁移学习的故障诊断方法。该诊断方法基于电机振动数据，利用CNN提取故障特征；将特征作为DLSTM的输入，进一步学习、编码从CNN中学习的特征序列信息，捕获高级特征用于故障分类；首先用充足的西储轴承数据对该故障诊断模型进行预训练，再利用迁移学习放松训练数据和测试数据可不必独立同分布的能力，使用自制实验平台的小样本数据微调预训练模型。最后用迁移学习后的模型，对跨工况、跨型号、跨故障的故障轴承数据进行模拟实验。结果表明，所提出的方法与其他方法相比鲁棒性强，训练速度更快，能够更精确的诊断故障，平均诊断精度达到99%以上。
关键词：小样本数据集故障诊断;;卷积神经网络;;长短期记忆网络;;迁移学习
基金资助：国家自然科学基金项目（51804267）;; 四川省科技厅计划项目（2019YJ0318）
