基于双图转换和融合CRNN网络的轴承故障诊断

作     者：李喆 吐松江·卡日 范想 范志鹏 万容齐 白新悦 吴俣潼 LI Zhe;KARI Tusongjiang;FAN Xiang;FAN Zhipeng;WAN Rongqi;BAI Xinyue;WU Yutong

作者机构：新疆大学电气工程学院乌鲁木齐830046 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2023年第42卷第19期

页      面：240-248页

核心收录：

学科分类：0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 0803[工学-光学工程] 0702[理学-物理学] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家自然科学基金(52067021) 新疆维吾尔自治区自然科学基金面上项目(2022D01C35) 新疆大学2022年国家级大学生创新训练(500122007021) 新疆维吾尔自治区优秀青年科技人才培养项目(2019Q012) 

主　　题：滚动轴承 故障诊断 格拉姆角差场 马尔可夫转移场 融合卷积循环神经网络(CRNN) 

摘      要：针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。