基于ICNN-BiGRU的轴承故障诊断模型

作者：杨慧,张瑞君,陈国良 日期：2023-01-30/span> 浏览：1281 查看PDF文档

摘要:在实际使用过程中,基于深度学习模型的滚动轴承故障诊断方法易受环境噪声的干扰,为此,提出了一种基于改进卷积神经网络双向门控循环单元(ICNN-BiGRU)的滚动轴承故障诊断模型(方法)。首先,使用Laplace小波对采集到的滚动轴承振动信号进行了相关滤波,得到了功率谱;然后,利用ICNN-BiGRU自动提取了功率谱特征,在卷积神经网络基础上引入了动态选择机制和自注意力机制,根据轴承不同故障状态定位了相关的特征信息,从而实现了轴承故障特征提取和故障诊断;最后,通过西安交通大学昇阳科技(XJTU-SY)联合实验室的滚动轴承加速寿命试验数据集,对ICNNBiGRU模型与其他深度学习模型进行了对比,以验证ICNN-BiGRU模型的优越性。研究结果表明:相比于其他深度学习模型,ICNNBiGRU模型的故障诊断精度更高,其诊断准确率可达99.65%;在不同背景噪声的干扰下,相比于其他深度学习模型,ICNNBiGRU模型的特征学习能力更强,具有一定的工程参考价值。

关键词:深度学习模型;特征学习能力;改进卷积神经网络;双向门控循环单元;Laplace小波;动态选择;自注意力

中图分类号:TH133.33文献标识码:A文章编号:1001-4551(2022)11-1559-08

本文引用格式:

杨慧,张瑞君,陈国良.基于ICNN-BiGRU的轴承故障诊断模型［J］.机电工程,2022,39(11):1559-1566.

YANG Hui, ZHANG Rui-jun, CHEN Guo-liang. Rolling bearing fault diagnosis based on ICNN-BiGRU［J］.Journal of Mechanical & Electrical Engineering, 2022,39(11):1559-1566.