针对滚动轴承不同故障位置、不同损伤程度的振动加速度信号的智能分类,提出一种基于随机搜索与长短时记忆(long short term memory,LSTM)神经网络的滚动轴承故障状态识别算法。该算法直接利用原始数据作为非线性输入,避免因人工提取特征值造成的原始信息缺失;使用LSTM与深度神经网络的混合网络提高模型性能;引入随机搜索算法自动优化超参数得到最优的网络配置;使用不同量纲、不同来源、不同损伤结构的两类数据集对模型进行试验验证。试验结果表明,在两类单一数据集及随机混合数据集均可达到99.8%以上的诊断准确度,表明本算法具有较高的泛化能力和鲁棒性。与BP、支持向量机、粒子群算法最小二乘支持向量机、LSSVM、浅层LSTM等方法在同等试验条件下的诊断结果进行比较,本文算法具有更高的识别准确度。
