基于SACNN-MGRU混合模型的滚动轴承故障诊断

• 作者: 杨端浩 付文龙 史慧彬
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 滚动轴承 故障诊断 卷积神经网络 门控循环单元 混合模型
• 年，卷（期）: 2021,（22）
• 所属期刊栏目: 在线测试与故障诊断|Online Testing and Fault Diagnosis
• 页码范围: 160-167
• 页数: 8页
• 分类号: TH165+.3|TH133.33
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.2107853

摘要

为充分挖掘滚动轴承故障类别与振动信号间的潜在联系进而提升故障诊断精度,提出了一种基于尺度自适应卷积神经网络(SACNN)和改进门控循环单元(MGRU)混合模型的故障诊断方法.首先,提出了一种尺度自适应因子用以获取合适的CNN窗口尺寸从而更有效地提取振动信号中蕴含的局部故障信息,并在CNN中引入比例指数线性单元(SELU)以提升其训练过程的鲁棒性;随后,在GRU中嵌入SELU进一步提升网络稳定性,并改进GRU网络结构增强其时序特征的挖掘能力,进而更充分地提取局部故障信息中的时序特征;最后通过Softmax函数识别故障类别.经实验对比和分析表明,该方法具备较好的收敛性和稳定性,能够有效挖掘振动信号中蕴含的故障信息,准确识别不同转速下滚动轴承的故障类别且识别精度均高于99.5％,具有一定的应用价值.