DOI:10.3969/j.issn.1672-3872.2026.18.009
摘 要:【目的】解决单一结构深度学习模型关键信息提取不完整、泛化能力差、诊断能力不强等问题,实现对农机滚动轴承故障的高效诊断。【方法】提出一种基于JMD和CNN-LSTM双分支神经网络的故障诊断方法。首先,引入改进型麻雀搜索算法对JMD进行优化,实现信号分解中参数的自适应选择,获取有效的AM-FM信号分量和瞬间跳跃信号分量。其次,构建CNN-LSTM双分支模型,LSTM分支专注捕捉AM-FM分量中轴承故障的长时依赖关系,CNN分支专门提取跳跃分量中故障冲击脉冲的局部关键特征,以实现对不同故障特征的诊断。最后,利用公开的滚动轴承故障数据集进行实验验证,综合评估所提方法的性能。【结果】1)在JMD算法参数寻优问题上,虽然所有算法都找到了近似最优的适应度值,但是ISSA的收敛速度更快且未陷入局部最优解。2)在500轮训练过程中,CNN-LSTM双分支模型的收敛速度最快,大约在100轮训练后准确率即接近100%,并始终维持在最高水平;同时,双分支模型在方差、95%置信区间、宏平均F1分数等方面也均优于单一CNN模型和LSTM模型。【结论】与传统方法相比,基于JMD和深度学习的滚动轴承故障诊断方法具有优越性,其融合应用为农机滚动轴承故障诊断领域提供了新的方法和思路。
关键词:麻雀搜索算法;卷积神经网络;LSTM;滚动轴承
引文信息:[1]柴文涛,王天一,郭川隆,等.基于自适应JMD和深度学习的农机滚动轴承故障诊断方法[J].南方农机,2026,57(18):40-44.
查看全文请下载PDF文件↓