《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

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:531 查看PDF文档

基于ICNNBiGRU的轴承故障诊断模型*
杨慧1,张瑞君2,陈国良3

(1.安徽文达信息工程学院 智能制造学院,安徽 合肥 230001;2.西安交通大学 机械工程学院,陕西 
西安 710049;3.联合传动及轴承技术研究中心,宁夏 石嘴山 753000)


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.





友情链接

浙江机械信息网