袁媛

（包头职业技术学院，内蒙 古包头 014035）

随着大数据世代发展，产业技术不断升级。人工智能在各行业得到普遍应用，深度学习在图像识别、语言合成等领域迅速推广。机械故障诊断主要对机械振动信号分析处理，深度学习相比传统机械故障诊断方法更加高效，研究深度学习在机械故障诊断中的应用，对提高滚动轴承设备运行稳定性具有重要价值。

1 基于1D-CNN+LSTM 滚动轴承故障诊断

滚轴故障诊断研究不断发展，传统故障诊断方法包括基于机器学习方法，面对复杂问题进行故障识别会存在一些缺陷，利用统计学法难以建立准确数学模型，需要研究人员掌握大量相关经验，在故障诊断应用方面受到很大局限。基于机器学习的故障诊断法包括BP 神经网络等。SVM 面对复杂场景训练数据性能表现不理想，神经网络存在过度拟合，计算努力受限等问题[1]。针对滚轴故障诊断是研究热点，科技发展为诊断技术提供新丰富。深度学习理论源于神经网络，组合低维投影表示较高感知水平，广泛应用于图像处理等领域。滚轴故障诊断流程见图1。

图1 滚动轴承故障诊断流程图

深度学习模型可自主逐层学习深层非线性特征表示，卷积神经网络卷积模块可以从高维原始数据提取特征，实现对滚动轴承故障诊断。故障振动信号分析内不时间依赖可以提升诊断准确率，长短时记忆网络处理分析时序数据具有独特优势，提出结合CNN 特征提取模型改进……