基于CNN-GRU网络的轴承故障检测算法

摘要

传统的卷积神经网络(Convolutional Neural Networks,CNN)采用的激活函数sigmoid,tanh计算量大,容易出现梯度消失和过拟合现象,ReLU函数容易导致均值偏移,且在轴承故障诊断中,故障数据一般为时序信号.为了解决CNN网络中激活函数存在的问题,同时提高对故障数据的时序特征提取能力,将CNN与门控循环单元(Gated Recurrent Unit,GRU)相结合,提出了一种基于eLU激活函数的CNN-GRU网络模型,用于轴承故障诊断.用凯斯西储大学轴承故障数据集对该网络进行验证,预测准确率达到99.93％,相较于其他算法更具优越性.