基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。

基于深度学习的辊道电机故障诊断分析方法

为了避免电机频繁无预警停机,机电设备诊断分析是一项非常重要的任务。针对辊道电机中单个电机故障,根据所有电机正常运行状况和故障状况下收集的电机电流数据,提出一种基于深度学习的智能化电机故障诊断分析策略。首次提出了考虑用协同工作的其他电机的电流来对被监测电机进行故障诊断。该方案选择采用Lenet-5模型进行分类预测训练,以诊断电机中的故障,在生产现场实际应用此方案并进行数据结果验证。结果表明,所提出的方法在电机故障诊断中可行且有效。