基于蝗虫优化Bi-LSTM网络的电机轴承故障预测

为了有效预测复杂工况下的电机轴承故障，提出一种利用蝗虫优化算法(GOA)优化双向长短时记忆网络(Bi-LSTM)的电机轴承故障预测方法。首先，对电机轴承的振动信号利用互补集合经验模态分解(CEEMD)算法进行分解，获得能够表征振动特征的多组固有模态分量(IMF),计算每组IMF分量的奇异值能量，并组成奇异值能量谱作为电机轴承的性能退化指标。其次，采用GOA对Bi-LSTM网络的多个超参数进行迭代寻优，提高模型的预测精度与收敛速度，从而获得一组最优的超参数组合。最后，利用优化后的Bi-LSTM网络实现电机轴承的故障预测。以开源的电机轴承振动信号进行测试实验，实验结果表明，相较于其他多种预测模型，所建立模型具有较高的预测精度同时还具有较强的鲁棒性，能够及时为检修工作提供理论支撑，具有一定的研究价值与工程意义。