问题背景

在旋转机械故障诊断中，传统方法计算量较小，转换后的矩阵之间的相似度很高，难以区分，会导致模型训练时间长，准确率低的问题。同时将输入转换为图像的过程需要更多时间，从而增加了工作量。此外，对原始信号进行分解必然会造成信息的丢失，从而影响诊断的准确性。诊断模型的学习能力也较弱，对诊断结果的有效性和准确性产生了负面影响。

轴承

解决方案

使用深度学习技术的端到端故障诊断模型，该模型采用 1DCNN 进行特征自提取，LSTM 学习特征之间的时间依赖性，以弥补传统方法的不足。该模型集成了传统的信号降噪、特征提取、特征选择、特征分类等流程，最大程度地简化了诊断流程。LSTM 和 CNN 的结合弥补了使用 CNN 单独处理时间序列数据的不足，提高了模型的鲁棒性。改进后的算法不仅训练参数少、诊断时间少，而且泛化能力强，更适合处理滚动轴承故障的准确识别和实时诊断。

2-D CNN 多测量点的往复式压缩机阀门故障诊断模型

总结说明

所提出的模型比其他模型更准确，准确率达到了 95%以上，这证明了所提出的模型能够适应负载的变化，这对于实际应用中的准确诊断具有重要意义。该模型具有优越的迁移和泛化性能，能够有效提取轴承故障特征，实现故障的有效分类。在轴承故障诊断中具有实用性和有效性。

不同模型的迁移和泛化性能比较