一种新型DSCNN-GRU结构的减速机轴承故障诊断方法

• 作者: 汪洋 郭利进
• 来源期刊: 机械科学与技术
• 学科: 工学
• 关键词: 卷积神经网络 深度可分离卷积 门控机制 故障诊断 滚动轴承
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 仪器、仪表科学与技术
• 页码范围: 258-266
• 页数: 9页
• 分类号: TH133.3|TN911.2
• 字数: 6009字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.20190113

摘要

结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效.为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络.该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性.提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题.通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94％以上,分类效果明显,泛化能力强.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭利进	天津工业大学电气工程与自动化学院	39	178	7.0	10.0
2	汪洋	天津工业大学电气工程与自动化学院	6	7	1.0	2.0