基于C-GRU的电机轴承故障诊断

摘要

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和参数后,深入挖掘振动信号中所蕴含的时序特征.通过选用不同数据集实验对比,在训练样本减少的同时,所使用模型的最终分类准确率分别达到了99.7％与99.6％,验证了文中所采用的模型的可靠性与实用性.