基于GRU与迁移学习的滚动轴承故障诊断

• 作者: 曹梦婷 谷玉海 王红军 徐小力
• 来源期刊: 现代制造工程
• 学科: 工学
• 关键词: 迁移学习 故障诊断 滚动轴承 一维卷积神经网络 门控循环单元
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 设备设计/诊断维修/再制造
• 页码范围: 143-147
• 页数: 5页
• 分类号: TH66|TG506
• 语种: 中文
• DOI: 10.16731/j.cnki.1671-3133.2022.01.021

摘要

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作.针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法.该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的.实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路.