基于二维图像和CNN-BiGRU网络的滚动轴承故障模式识别

摘要

为确保对滚动轴承故障诊断的有效性,结合卷积神经网络(CNN)在图像特征提取与分类识别的优势,利用格拉姆角场(GAF)将滚动轴承一维振动信号转换为二维图像数据,既保留了信号完整的信息,也保持着信号对于时问的依赖性.并由此提出基于卷积神经网络与双向门控循环单元(BiGRU)的诊断模型.首先将二维图像作为模型的输入数据,通过卷积神经网络提取图像的空间特征,再由双向门控循环单元筛选其时间特征,最终由分类器完成模式识别.通过对滚动轴承不同故障程度以及不同故障位置的诊断试验,准确率分别达到99.63％以及99.28％,其效果均优于其他常用算法,证明了所提方法的可行性.