基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

• 作者: 姚立 孙见君 马晨波
• 来源期刊: 轴承
• 学科: 工学
• 关键词: 滚动轴承 卷积神经网络 门控循环单元 格拉姆角场 故障诊断
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 应用技术|Application Technology
• 页码范围: 61-67
• 页数: 7页
• 分类号: TH133.33|TP183
• 语种: 中文
• DOI: 10.19533/j.issn1000-3762.2022.02.012

摘要

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入RNN进行训练;最后,用测试集验证CNN-RNN模型的有效性.XJTU-SY和CWRU轴承数据集的试验结果表明:相对于HHT和GASF编码方法,GADF编码方法对原始信号故障特征的表达能力更强;相对于独立的CNN模型或RNN模型,CNN-RNN模型的识别效果更好;GADF编码方法与CNN-RN N模型相结合时具有更高的识别率.