滚动轴承在旋转机械中起着极其重要的作用。轴承的独特位置决定了一旦发生故障，不仅会造成巨大的经济损失，还会危及人身安全。因此，轴承失效状态的评估一直是一个热门的研究领域。本文解决了传统轴承状态评估方法存在的两个挑战：一是需要手动从轴承数据中提取特征，过度依赖专业知识；第二个是故障样本和正常样本之间的普遍不平衡，这会影响模型的性能。论文提出了一种带有采样策略的两层 CNN-LSTM 加权深度学习模型（wTLCL-O）来应对这些挑战，它包含两层 CNN，具有过采样策略和加权成本敏感损失函数的两层 LSTM。文章在法国PRONOSTIA轴承失效数据集上进行实验，结果表明wTLCL-O在鲁棒性和稳定性方面优于其他传统算法，提高了非平衡条件下轴承状态评估的预测精度。

暂无