文章编号：1000-8055（2023）04-1005-12doi：10.13224/j.cnki.jasp.20210292基于卷积双向长短期记忆网络的轴承故障尺寸估计刘西洋1，陈果2，郝腾飞3，潘文平1（1.南京航空航天大学民航学院，南京211106；2.南京航空航天大学通用航空与飞行学院，江苏溧阳213300；3.南京工程学院汽车与轨道交通学院，南京211167）摘要：基于振动监测数据的航空发动机滚动轴承损伤大小识别，对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题，提出了一种基于深度学习的滚动轴承损伤尺寸预计方法，能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上，搭建了一种深度卷积网络与长短期记忆网络组合模型，该模型可对轴承振动信号的多维特征与时序特征进行充分提取，实现轴承故障的智能和高效诊断。最后，利用滚动轴承加速疲劳试验机，进行了多种转速与损伤尺寸下的滚动轴承故障试验，基于试验数据进行了方法的比较，结果表明，该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%，较单独的深度卷积网络、长短期记忆网络及其他模型精度更高，比较结果充分表明了本文所提方法的优越性。关键词：滚动轴承；故障诊断；损伤尺寸；深度卷积网络；长短期记忆网络中图分类号：V263.6文献标志码：ABearingfaultsizeestimationbasedonconvolutionalbidirectionallongandshorttermmemorynetworksLIUXiyang1，CHENGuo2，HAOTengfei3，PANWenping1（1.CollegeofCivilAviation，NanjingUniversityofAeronauticsandAstronautics，Nanjing211106，China；2.CollegeofGeneralAviationandFlight，NanjingUniversityofAeronauticsandAstronautics，LiyangJiangsu213300，China；3.SchoolofAutomotiveandRailTransit，NanjingInstituteofTechnology，Nanjing211167，China）Abstract:Thedamagesizeidentificationofaero-enginerollingbearingbasedonvibrationmonitoringdataisofgreatsignificancetothestudyofrollingbearingfaultevolution,predictionanddiagnosis.Inviewofinherentrestrictionsintraditionalidentificationmodelssuchashighdependenceonpriorknowledge,insufficientfeatureextractionandlimitedcategoryoftrainingfaultsizes,apredictionmethodofrollingbearingdamagesizebasedondeeplearningwasproposed,whichcanaccuratelyidentifythemiddlesizest...
