轴承智能故障诊断 |
| |
作者姓名: | 吴冬梅 王福齐 李贤功 唐润 张新建 |
| |
作者单位: | 1. 永城职业学院电子信息工程系;2. 中国矿业大学矿业工程学院;3. 南京财经大学管理科学与工程学院;4. 河南能源化工集团永煤公司陈四楼煤矿 |
| |
基金项目: | 国家重点研发计划项目(2017YFC0804408); |
| |
摘 要: | 轴承振动信号作为一种时间序列数据,其时间维度特征在分类中起着关键作用,单独使用卷积神经网络(CNN)进行轴承故障诊断会造成时间维度信息的丢失,导致诊断精度下降。针对上述问题,提出了一种结合一维CNN、双向门控循环单元(Bi GRU)和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征;然后将该特征信息作为Bi GRU的输入,利用Bi GRU将提取的特征信息进行时间维度的融合,并引入注意力机制对多个时刻的特征信息进行加权,提取出更关键的故障特征;最后将故障特征输入全连接层得到分类结果,实现轴承智能故障诊断。实验结果表明:(1)在测试集混淆矩阵上,轴承运行状态基本分类正确,只有部分标记类型没有被完全分类正确,但是召回率达到了95%以上,总的故障识别准确率为99.3%。(2)利用t-SNE技术对降维处理后的数据进行可视化,轴承各运行状态的数据很好地聚集在各自的空间内,只有少量数据被混杂到其他区域,说明该模型具有较强的特征提取能力。(3)在恒定负载情况下,该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0....
|
关 键 词: | 煤矿机械 轴承 智能故障诊断 注意力机制 卷积神经网络 双向门控循环单元 时间维度 |
|