基于卷积门控循环网络的齿轮箱故障诊断

作     者：张龙 徐天鹏 王朝兵 易剑昱 甄灿壮 ZHANG Long;XU Tian-peng;WANG Chao-bing;YI Jian-yu;ZHEN Can-zhuang

作者机构：华东交通大学机电与车辆工程学院南昌330013 中车戚墅堰机车有限公司常州213011 

基　　金：国家自然科学基金项目(51665013) 江西省研究生创新项目(YC2019-S243) 江西省教育厅科学技术研究项目(191327) 

出 版 物：《吉林大学学报（工学版）》 (Journal of Jilin University:Engineering and Technology Edition)

年 卷 期：2022年第52卷第2期

页      码：368-376页

摘      要：为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性。

主 题 词：机械设计制造及其自动化 卷积神经网络 门控循环单元 时空特征 故障诊断 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 080201[080201] 

核心收录：

D　O　I：10.13229/j.cnki.jdxbgxb20200930

馆 藏 号：203107214...