基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究

作者：安文杰,陈长征,田淼,等 日期：2022-10-20/span> 浏览：1307 查看PDF文档

摘要:风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU)。首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入selfattention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中。研究结果表明:变工况背景下轴承故障识别准确率为92.7%,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13%;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了“端到端”的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值。

关键词:机械运行与维修;多尺度卷积神经网络;自注意力机制;双向门控循环单元;特征向量;故障分类

中图分类号:TH133.33;TH17文献标识码:A文章编号:1001-4551(2022)08-1096-08


本文引用格式:

安文杰,陈长征,田淼,等.基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究［J］.机电工程,2022,39(8):1096-1103.

AN Wen-jie, CHEN Chang-zheng, TIAN Miao, et al. Rolling bearing fault diagnosis of wind turbine under variable working conditions based on MSCNNSA-BiGRU［J］.Journal of Mechanical & Electrical Engineering, 2022,39(8):1096-1103.