文摘针对传统诊断模型对含有周期性故障脉冲的振动信号诊断率较低、振动信号空间特征和时序特征得不到有效提取等问题,文中提出了一种基于最大相关峭度解卷积(maximum correlation kurtosis deconvolution,MCKD)和改进的双通道卷积神经网络-长短期记忆神经网络(convolutional neural network-long short term memory network,CNN-LSTM)相结合的轴承故障诊断模型。使用MCKD去除噪音干扰、增强信号周期性脉冲、重构原始信号,将重构后的信号分别同时输入到CNN和LSTM通道中,利用CNN强大的空间特征提取能力和LSTM挖掘数据时序特征能力,将二者得到的特征信息进行融合,最后输入到Softmax完成故障分类。在凯斯西储大学轴承数据集上进行验证,实验结果表明,该方法诊断性能优于其他主流模型,能够有效提高轴承诊断精度。
