基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别

Rolling bearing fault mode recognition based on 2D image and CNN-BiGRU

张训杰 ¹张敏 ²李贤均¹

扫码查看

作者信息

1. 西南交通大学机械工程学院,成都610031
2. 西南交通大学机械工程学院,成都610031;西南交通大学轨道交通运维技术与装备四川省重点实验室,成都610031
折叠

摘要

为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时问的依赖性.并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型.首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别.通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63％以及99.28％,其效果均优于其他常用算法,证明了所提方法的可行性.

关键词

滚动轴承/故障诊断/格拉姆角场(GAF)/二维图像/卷积神经网络(CNN)/双向门控循环单元(BiGRU)

引用本文复制引用

基金项目

中国博士后科学基金(2020M673279)

国家重点研发计划(2020YFB1712200)

四川省科技计划(2020JDTD0012)

巾铁工程服务资助项目(2019H010103)

出版年

2021

振动与冲击

中国振动工程学会上海交通大学上海市振动工程学会

振动与冲击

CSTPCDCSCD北大核心

影响因子：0.898

ISSN：1000-3835

被引量19

参考文献量8

段落导航