基于改进1DCNN-GRU的滚动轴承故障诊断 |
| |
引用本文: | 金海龙,马吴旭,孟宗,孙登云,曹伟,樊凤杰.基于改进1DCNN-GRU的滚动轴承故障诊断[J].计量学报,2023(9):1423-1428. |
| |
作者姓名: | 金海龙 马吴旭 孟宗 孙登云 曹伟 樊凤杰 |
| |
作者单位: | 燕山大学电气工程学院 |
| |
基金项目: | 国家自然科学基金(52075470); |
| |
摘 要: | 针对传统滚动轴承故障诊断模型无法充分利用信号的空间及时间特征,需要大量专业知识等问题,提出一种改进一维卷积神经网络(1DCNN)与门控递归神经网络(GRU)结合的故障诊断方法。首先,利用具有不同卷积核的卷积层最大化提取信号的空间特征信息;其次,提出改进的线性修正单元(IReLU)增强网络的特征提取能力;然后,引入堆叠GRU模块进一步提取1DCNN模块输出数据的时间特征,完成空间及时间特征融合;最后,对融合后的特征进行识别。实验表明所提方法故障识别率高达99.96%,对不同负载下的数据均具有较高的识别率及较强的泛化性能。
|
关 键 词: | 计量学 故障诊断 滚动轴承 特征融合 一维卷积神经网络 门控递归神经网络 |
|
|