基于卷积门控循环网络的齿轮箱故障诊断

作者：张龙; 徐天鹏; 王朝兵; 易剑昱; 甄灿壮

来源：吉林大学学报（工学版）, 2022, 52(02): 368-376.

DOI：10.13229/j.cnki.jdxbgxb20200930

• 机械设计制造及其自动化
• 卷积神经网络
• 门控循环单元
• 时空特征
• 故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性。

• 单位
  中车戚墅堰机车有限公司; 华东交通大学机电与车辆工程学院