基于改進(jìn)堆疊式循環(huán)神經(jīng)網(wǎng)絡(luò)的軸承故障診斷

周奇才， 沈鶴鴻， 趙 炯， 劉星辰

(同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院， 上海 201804)

在制造業(yè)里有這樣一句話，“凡是轉(zhuǎn)動的地方，都需要用到軸承.”軸承作為當(dāng)代機(jī)械設(shè)備的重要零部件，不僅能支撐機(jī)械旋轉(zhuǎn)體，降低機(jī)械旋轉(zhuǎn)體運(yùn)動過程中的摩擦系數(shù)，還能保證機(jī)械旋轉(zhuǎn)體回轉(zhuǎn)精度.軸承的工作環(huán)境通常比較惡劣，高速、高載、高溫不斷考驗(yàn)著軸承的穩(wěn)定性，一旦軸承出現(xiàn)故障，就會對整機(jī)運(yùn)行產(chǎn)生巨大影響，甚至造成災(zāi)難性事故.因此，對軸承進(jìn)行故障診斷是保證機(jī)械設(shè)備正常運(yùn)行的重要手段，對于保障人身及財產(chǎn)安全均具有重大的意義.

現(xiàn)階段已有很多針對軸承故障診斷的研究成果.Zhang等[1]基于自回歸模型提取時域特征，并通過優(yōu)化后的人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障識別.Yu[2]提取了振動信號的時域、頻域和時頻特征，并以此為基礎(chǔ)通過動態(tài)主成分分析選取有效特征，然后利用隱馬爾可夫的馬氏距離模型實(shí)現(xiàn)了對健康狀況的評估.王舒瑋[3]將小波變換替代傅里葉變換對故障信號進(jìn)行分解，之后對分級的細(xì)節(jié)信號和近似信號進(jìn)行Hillbert包絡(luò)頻譜處理，以此進(jìn)行滾動軸承故障診斷.陶潔等[4]先用Teager能量算子提取滾動軸承振動信號中的瞬時能量來構(gòu)造特征向量，之后采用深度置信網(wǎng)絡(luò)進(jìn)行故障診斷.Shen等[5]提出了一種時域自適應(yīng)變尺度形態(tài)學(xué)分析法，并將其應(yīng)用于脈沖局部峰值的分析.以上方法都有一個共同點(diǎn)，就是要人工提取特征，而這會引入主觀……