10.13465/j.cnki.jvs.2021.19.030
双通道特征融合CNN-GRU齿轮箱故障诊断
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小.卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有"端对端"的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类.该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了"端对端"的故障诊断.用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性.
齿轮箱;卷积神经网络(CNN);门控递归单元(GRU);故障诊断
40
TH133.3
国家自然科学基金;江西省研究生创新资金
2021-10-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
239-245,294