基于深度学习的滚动轴承故障诊断方法.pdf

基于深度学习的滚动轴承故障诊断方法--第1页

基于深度学习的滚动轴承故障诊断方法

陈志刚，高鹤，刘菲，杨志达

（北京航天拓扑高科技有限责任公司，北京100176）

摘要：提出一种基于一维卷积神经网络（CNN）与门控循环单元（GRU）的滚动轴承故障诊断方法，设计了一种基于数据驱动的滚

动轴承故障诊断方法。利用同一数据集之间特征相似并且独立同分布这一特征，分别设计网络结构和参数。为采用CNN和GRU

进行故障诊断提供了新的思路，具有较好的技术应用前景。

深度学习；故障诊断；滚动轴承；一维卷积；门控循环单元

关键词：

TH133.33TP277B10.16621/j.cnki.issn1001-0599.2021.04.66

中图分类号：；文献标识码：DOI：

0引言络对数据集（长序列）进行特征提取。

滚动轴承是机械设备中常见的组件，从简单的电风扇到复杂1.2门控循环网络

由经典的循环神经网络———长短期记忆网络（

的机床上都有滚动轴承的应用。事实上，超过50%的机械缺陷与GRULong

—，）优化所得，具有更加简单的结构、

[1]ShortTermMemoryLSTM

轴承故障有关，从而导致机器停产、停机、甚至造成人员的伤亡。

因此，滚动轴承故障诊断是机械故障诊断的一个重要方面，也是更少的参数、更好的收敛性。GRU神经网络的整体结构主要包

近些年来的研究热点。近些年来，随着学者们的不断深入研究提括：更新门和重复门。其中更新门主要用于控制前一时刻的状态

[3]

出了各种故障诊断的方法。传统的研究方法有：神经网络、概信息被带入到当前状态的程度，更新门的值越大说明前一时刻

BP

[4][5]

率神经网络（，）、小波分析、的状态信息带入越多；重置门用于控制忽略前一时刻的状态信

ProbabilisticNeuralNetworkPNN

EMD

[6][13]

、集合经验模态分解（息的程度，重置门的值越小说明忽略得越多。

EnsembleEmpiricalModeDecompo原

，）

sitionEEMD[7]2滚动轴承故障诊断模型实验分析

、奇异值分解（