基于BI-LSTM的小样本滚动轴承故障诊断方法研究

微弱故障特征的有效提取与判别模型的精确性是滚动轴承状态监测和故障诊断的关键。针对长短时记忆网络(LSTM)模型在少样本条件下存在故障诊断准确度较低的问题,提出一种基于双向长短时记忆网络(BI-LSTM)的小样本滚动轴承故障诊断方法:首先采用自适应白噪声的集合经验模态分解(CEEMDAN)与傅里叶变换对信号进行分解变换构成特征矩阵,然后采用BI-LSTM进行特征提取,获取每个样本序列的故障特征,最后采用逻辑回归(LR)将多个故障特征汇总学习。结果表明:所提出的方法在随机的小样本测试集上平均精确度相对传统LSTM模型提高30.8%,可为滚动轴承健康状态监测提供重要算法支撑。