基于BiMCCN模型的滚动轴承故障诊断方法

现阶段一维卷积神经网络诊断领域通常需要大量的数据支持,本文更为关注使用小样本数据获得更好的效果,同时还兼顾模型的适应能力。因此,本文模型致力于摆脱轴承故障诊断对大量数据的依赖性,提出了一种基于多尺度卷积胶囊网络和双向长短期记忆网络的滚动轴承故障诊断模型。本文利用双向长短期记忆网络对特征进行去噪,利用多尺度卷积神经网络充分提取特征,训练样本不足的故障诊断由胶囊网络完成。通过对比实验以及对不同工作环境下的轴承数据进行分析,验证了所提方法的可行性与有效性。与现有模型相比,在不同工况下,BiMCCN模型平均提高了18.71%的准确率。实验结果表明:该模型有着更高的准确率,以及更能适应多变的环境。