滚动轴承运行的强噪声环境为数据特征的提取带来难度。针对强噪声工况下的滚动轴承故障诊断的问题,使用残差网络(ResNet)、半软阈值函数(SSTF)、APReLU激活函数和SENet注意力机制构建改进的残差收缩单元(IRSBU),提出了一种卷积降噪自编码器(CDAE)与改进的残差收缩双向长短期记忆网络(ResBiLSTM)相结合的滚动轴承故障诊断方法。首先对一维原始信号加入高斯噪声来模仿强噪声工况,将加噪数据集输入到CDAE中进行特征提取;然后将编码器编码后隐含层的低维降噪特征输入到ResBiLSTM中进行故障诊断;采用凯斯西储大学轴承数据集(CWRU)以及西安交通大学轴承数据集(XJTU-SY)对所提方法进行实验验证。实验结果表明,CDAEResBiLSTM模型具有良好的特征提取能力以及抗噪性。
