基于改進(jìn)CNN-BiGRU的電機(jī)軸承故障識(shí)別*

陳玉球

(湖南有色金屬職業(yè)技術(shù)學(xué)院機(jī)電工程系，株洲 412007)

0 引言

滾動(dòng)軸承是同步電機(jī)中的重要部件之一，其健康狀況直接影響電機(jī)的使用壽命[1]。因此，及時(shí)準(zhǔn)確地識(shí)別出電機(jī)軸承故障，對(duì)保證工業(yè)生產(chǎn)的安全、提高生產(chǎn)效率、及時(shí)消除隱患具有重要的意義[2]。

目前，工業(yè)中廣泛采用的電機(jī)軸承故障識(shí)別技術(shù)基于軸承振動(dòng)信號(hào)，分析手段主要包括傳統(tǒng)信號(hào)處理方法和機(jī)器學(xué)習(xí)算法兩大類[3]。在信號(hào)處理技術(shù)方面，主要采用變分模態(tài)分解、小波變換、及圖傅里葉變換等方法從時(shí)域、頻域或時(shí)頻域提取振動(dòng)信號(hào)特征以辨別軸承是否發(fā)生故障以及故障類型。但信號(hào)處理類方法適用性較差，嚴(yán)重依賴專家經(jīng)驗(yàn)[4]。在機(jī)器學(xué)習(xí)識(shí)別領(lǐng)域，通常利用不同的信號(hào)處理技術(shù)，得到表征電機(jī)軸承運(yùn)行狀態(tài)的特征量后，與k-最近鄰(k-nearest neighbor,k-NN)[5]、支持向量機(jī)(support vector machine,SVM)[6]、樸素貝葉斯[7]和隨機(jī)森林[8]等算法相結(jié)合，實(shí)現(xiàn)電機(jī)軸承故障自動(dòng)識(shí)別。SOUALHI等[9]提出了改進(jìn)蟻群算法優(yōu)化SVM的電機(jī)軸承故障識(shí)別方法，但運(yùn)行效率較低。BAZAN等[10]將信息論引入軸承振動(dòng)信號(hào)的分析和處理中，但故障識(shí)別率較低。機(jī)器學(xué)習(xí)需要借助信號(hào)處理算法提取相關(guān)特征，此外由于機(jī)器學(xué)習(xí)模型較淺導(dǎo)致的識(shí)別準(zhǔn)確率較低等問(wèn)題，也限制了機(jī)器學(xué)習(xí)算法的應(yīng)用范圍[11]。

深度學(xué)習(xí)技術(shù)能自動(dòng)從軸承振動(dòng)數(shù)據(jù)中學(xué)習(xí)故障特征，一定程度上避免了復(fù)雜的人工特征提取過(guò)程，為電機(jī)軸承智能故障識(shí)別提供了有益思路。HOANG等[12]利用深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)合信息融合技術(shù)對(duì)永磁同步電機(jī)軸承進(jìn)行故障識(shí)別；……