收稿日期：２０２２⁃１０⁃０８基金项目：北京市自然基金和北京市教委联合项目（ＫＺ２０２０１００１５０２１）；大兴区科技发展计划项目（ＫＴ２０１９０１１６２）；北京印刷学院科研项目（Ｅｂ２０２１０３，Ｅｃ２０２００２）。通讯作者：杨彦红第３１卷第３期Ｖｏｌ.３１Ｎｏ.３北京印刷学院学报ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＧｒａｐｈｉｃＣｏｍｍｕｎｉｃａｔｉｏｎ２０２３年３月Ｍａｒ．２０２３基于ｂＲｅＬＵ激活函数改进的滚动轴承故障ＣＮＮ－ＬＳＴＭ模型项璇，曹少中，杨彦红∗（北京印刷学院信息工程学院，北京１０２６００）摘要：针对基于修正线性单元（ＲｅＬＵ）的滚动轴承故障诊断方法导致分类不准确的问题，本文提出了一种基于ｂＲｅＬＵ激活函数改进的卷积神经网络（ＣＮＮ）和长短时记忆神经网络（ＬＳＴＭ）的滚动轴承故障模型。该网络模型首先在ＣＮＮ网络使用ｂＲｅＬＵ激活函数完成自适应特征提取，并在卷积层和激活函数之间加入批量标准化层（ＢＮ），最后叠加ＬＳＴＭ网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到９９％以上，较于其它类型的ＣＮＮ－ＬＳＴＭ故障模型准确率更高，训练时长减少６６.７％。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。关键词：滚动轴承；故障诊断；卷积神经网络；长短时记忆网络中图分类号：ＴＨ１３３.３；ＴＨ１６５.３文献标识码：Ａ文章编号：１００４⁃８６２６（２０２３）０３⁃００２２⁃０５目前机械设备正处于高速发展阶段，向着自动化、智能化转型，滚动轴承在机械设备上发挥着重要作用，其健康状态是设备正常运行的关键。［１］如果在实际使用中发生故障会损伤设备并产生巨大经济损失，因此实时对轴承健康状态进行监测和故障诊断，就可以及时采取措施以避免不必要的损失，进而延长机械设备的使用寿命，提高运作效率。将神经网络与轴承故障诊断结合顺应智能制造的发展趋势，可以改善基于人工经验故障诊断方法的缺陷。目前各种深度学习网络模型已被广泛应用于轴承健康状态诊断，尤其是卷积神经网络和循环神经网络，并且由它们衍生出了各种新的网络结构。［２］卷积神经网络具有强大的特征学习能力，是轴承故障诊断使用最多的模型，曲建岭等对原始信号进行自适应层级化提取，提出端到端的一维卷积神经网络故障诊断算法。［３］Ｚｈａｎｇ等将原始信号转换为二维图像，并利用卷积神经网络自动实现对...
