基于门控循环单元胶囊网络的滚动轴承故障诊断

王超群，李彬彬，焦斌

(上海电机学院 电气学院,上海 201306)

轴承是机械装置中重要的部件[1]，疲劳损坏、润滑不良、安装不当等都会导致轴承出现故障，传统的轴承故障诊断方法通常采用人工提取故障的方式：文献[2]将集成经验模态分解(EEMD)与峭度准则结合，文献[3]将小波包变换与样本熵相结合，文献[4]提出基于Teager能量算子的频谱分析方法，这些方法虽然通过实际滚动轴承故障试验以及仿真分析证实能够有效地提取滚动轴承故障特征，但其特征提取的工作量较大，特征提取较为复杂，且专业性较强。

近些年，人工智能技术的发展突飞猛进，目前热门的深度学习[5]也在轴承故障诊断领域得到了广泛应用。文献[6]提出了一种基于深度神经网络的轴承故障诊断方法，在美国Case Western Reserve大学的轴承故障数据下取得了较好的效果。文献[7]提出了将离散傅里叶变换与卷积神经网络相结合的故障诊断模型，对齿轮箱中轴承、齿轮的试验也取得了不错的结果。文献[8]提出一种结合小波包变换和长短时记忆神经网络的方法，在风电机组滚动轴承故障识别中获得了较高的识别率。然而，在实际工业环境中，由传感器采集到的振动信号可能会受到噪声的污染。此外，当负载改变时，电动机转速也会发生改变，传感器测得的振动信号也会随之变化。虽然许多故障诊断模型在原始信号诊断上拥有很高的识别率，但处于噪声和变负载环境下时识别率可能会出现较大的下降[9]。……