基于门控循环残差网络的滚动轴承故障诊断研究 |
| |
引用本文: | 苏燕辰,李继光,周博,高永强.基于门控循环残差网络的滚动轴承故障诊断研究[J].铁道机车车辆,2023(3):57-63. |
| |
作者姓名: | 苏燕辰 李继光 周博 高永强 |
| |
作者单位: | 1. 西南交通大学机械工程学院;2. 中车长春轨道客车股份有限公司;3. 中国神华能源股份有限公司神朔铁路分公司 |
| |
基金项目: | 国家重点研发计划项目(2018YFB1201600); |
| |
摘 要: | 滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。
|
关 键 词: | 故障诊断 滚动轴承 卷积神经网络 门控循环单元 残差神经网络 |
|
|