典型文献
基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究
文献摘要：
风电机组滚动轴承运行工况复杂多变,存在故障特征区域尺寸不一致、故障难提取、难辨别的问题,为此,提出了一种基于多尺度卷积神经网络(MSCNN)、自注意力(SA)机制与双向门控循环单元(BiGRU)的变工况条件下风电机组滚动轴承故障诊断方法(MSCNNSA-BiGRU).首先,采用MSCNN提取了轴承原始振动信号的多尺度特征信息;然后,BiGRU结构挖掘原始振动信号的历史与未来信息,更全面地提取了其数据时序特征信息,同时引入self-attention来重点关注故障特征,提高了模型的故障诊断精度;最后,将特征信息融合成了一个特征向量,输入到SoftMax层,实现了对故障的分类;并将该方法应用于实际风电机组滚动轴承故障诊断中.研究结果表明:变工况背景下轴承故障识别准确率为92.7％,与经典的MSCNN网络相比,其故障识别的平均准确率提高8.13％;该方法直接从原始振动信号自适应地提取多尺度的时序特征,并将其进行融合,实现了"端到端"的滚动轴承故障诊断,省去了人工特征提取过程,提高了模型的泛化能力和鲁棒性,对实际工程风电机组滚动轴承故障诊断研究应用具有一定价值.
文献关键词：
机械运行与维修;多尺度卷积神经网络;自注意力机制;双向门控循环单元;特征向量;故障分类
中图分类号：
作者姓名：
安文杰;陈长征;田淼;金毓林;孙鲜明
作者机构：
沈阳工业大学 机械工程学院,辽宁沈阳110870;宁波坤博测控科技有限公司,浙江宁波315200
文献出处：
引用格式：
[1]安文杰;陈长征;田淼;金毓林;孙鲜明-.基于MSCNNSA-BiGRU的变工况风电机组滚动轴承故障诊断研究)[J].机电工程,2022(08):1096-1103
A类：
MSCNNSA,风电机组滚动轴承,机械运行与维修
B类：
BiGRU,变工况,滚动轴承故障诊断,诊断研究,承运,运行工况,故障特征,特征区域,难辨,辨别,多尺度卷积神经网络,双向门控循环单元,工况条件,下风,故障诊断方法,振动信号,多尺度特征,未来信息,时序特征,self,attention,故障诊断精度,特征信息融合,特征向量,SoftMax,故障识别,识别准确率,平均准确率,端到端,省去,泛化能力,研究应用,自注意力机制,故障分类
AB值：
0.192582
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
