-
题名双通道特征融合CNN-GRU齿轮箱故障诊断
被引量：21
- 1
-
-
作者
张龙
甄灿壮
易剑昱
蔡秉桓
徐天鹏
尹文豪
-
机构
华东交通大学机电与车辆工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期239-245,294,共8页
-
基金
国家自然科学基金(51665013)
江西省研究生创新资金(YC2019-S243)。
-
文摘
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。
-
关键词
齿轮箱
卷积神经网络(CNN)
门控递归单元(GRU)
故障诊断
-
Keywords
gearbox
convolutional neural network(CNN)
gated recurrent unit(GRU)
fault diagnosis
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
-
题名优化指标一致的滚动轴承故障复合诊断方法
被引量：10
- 2
-
-
作者
张龙
蔡秉桓
熊国良
胡俊锋
-
机构
华东交通大学机电与车辆工程学院
中国铁路南昌局集团有限公司科学技术研究所
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第9期237-245,共9页
-
基金
国家自然科学基金资助项目(51665013,51865010)
江西省自然科学基金项目(20171BAB206028,20171BAB216030)
江西省研究生创新资金项目(YC2018-S248,YC2019-S243)。
-
文摘
滚动轴承局部故障产生的循环冲击由轴承内部到达传感器的过程中受到传递路径、环境噪声和偶然性冲击干扰等因素影响,从而导致故障特征提取困难,诊断效果不佳。提出一种基于最大相关峭度解卷积和可调品质因子小波变换相结合的轴承故障复合诊断方法,前者用于削弱传递路径影响,后者通过滤波抑制噪声成分。两者参数优化过程中一致采用能够考虑滚动轴承故障冲击周期发生特点的相关峭度为优化指标,以保证特征提取的总体效果,同时该指标不受偶然性冲击干扰影响。对仿真和实验室信号进行分析,并与快速谱峭度等常用方法进行对比,结果验证了该方法在滚动轴承故障诊断中的有效性和优越性。
-
关键词
故障诊断
相关峭度
小波变换
特征增强
-
Keywords
fault diagnosis
correlated kurtosis
wavelet transform
feature enhancement
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TH132.417
[机械工程—机械制造及自动化]
-
