基于深度学习的滚动轴承故障诊断方法.pdfVIP

基于深度学习的滚动轴承故障诊断方法.pdf

  1. 1、本文档共3页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

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(,)

文档评论(0)

180****5471 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档