科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对故障诊断过程常忽略轴承振动信号的时间维度信息的问题，利用一维卷积神经网络与门控循环单元的优势，将二者结合，提出了一种基于多尺度卷积神经网络和GRU(MCNN-GRU)的滚动轴承故障诊断方法。dropout层对数据进行预处理，使得模型可以依靠少量特征进行训练；大卷积核和长步长降低输入到GRU的样本长度；构建多尺度特征提取模块，在每条路径卷积层后加上GRU，充分提取振动信号不同尺度的时序特征；三个连续空洞卷积进一步提取振动信号的空间特征。在噪声干扰、变负载、小样本条件下对比MCNN-GRU与WDCNN、ResNet18等6种方法，实验结果表明：在噪声干扰、变负载、小样本条件下MCNN-GRU的诊断效果优于传统深度学习诊断方法，具有更高的诊断精度；在无噪声情况下平均准确率可达到100%，在-6dB时也能保持在85%以上，具有较好的抗噪性能和稳定性；在0dB噪声环境、变负载条件下的各数据集的测试平均准确率均高于80%；仅需每种故障类型各40个样本，MCNN-GRU测试平均准确率已达到80%以上。
- 单位
