基于CAE-LSTM的航发轴承故障诊断方法

发布时间：2025-04-01 06:12

　　 随着计算机深度学习理论的发展及航空领域对关键装备智能化故障诊断与运维需求的提升，基于深度学习的航空发动机运行状态的监测与评估方法成为了飞机安全运行的重要保障。由于航空发动机机械结构复杂，轴承在高温、高压等恶劣环境下高速运行，其故障特征信息存在多尺度、非线性等问题，使得故障信号难以有效识别及分析诊断。因此，本文提出了一种基于CAE-LSTM的航发轴承故障诊断方法，首先利用改进的卷积自编码器（Convolutional Autoencoder， CAE）对高维振动信号进行降维和特征提取，然后将提取到的特征输入到长短期记忆网络（Long Short-Term Memory， LSTM）分类器中进行故障类型识别，从而提升轴承故障分类的准确性和鲁棒性。实验结果表明本文提出的方法能够有效地学习航发轴承传感信号序列中的动态特征，提高航发轴承故障诊断的精确性和智能性。

【文章页数】：8 页

【文章目录】：
0 引 言
1　 相关工作
    1.1 信号特征提取
    1.2　故障诊断模型
2　方法描述
    2.1　基于CAE的航发轴承故障特征提取方法
    2.2　故障诊断模型设计
3　实验与结果分析
    3.1　实验环境
    3.2　实验数据集
    3.3　评价指标
    3.4　实验结果
    3.5　结果对比
4　总　结



本文编号：4039042