引用格式：陈国俊,苏燕辰,寇皓为,等.卷积门控循环残差网络在轴承故障诊断中的研究[J].中国测试，2023,49(9):46-50.CHENGuojun,SUYanchen,KOUHaowei,etal.Researchonconvolutiongatingcyclicresidualnetworkforbearingfaultdiagnosis[J].ChinaMeasurement&Test,2023,49(9):46-50.DOI:10.11857/j.issn.1674-5124.2022010011卷积门控循环残差网络在轴承故障诊断中的研究陈国俊1,2，苏燕辰1,2，寇皓为1,2，邓越1,2，李恒奎3(1.西南交通大学机械工程学院，四川成都610031;2.轨道交通运维技术与装备四川省重点实验室，四川成都610031;3.青岛四方机车车辆股份有限公司，山东青岛266031)摘要:针对滚动轴承故障特征较难提取及许多深度学习方法因模型简单而导致准确率偏低的问题，提出一种基于残差网络的门控循环网络(GRU)，该算法可以减少时序信息的丢失及解决由于网络较深而出现性能下降的问题。该模型包含2个卷积层、2个GRU层、1个残差块以及1个输出层，其先利用具有强大特征提取能力的卷积神经网络(CNN)提取轴承振动信号中的信息，然后将提取到的信息输入GRU中以保证时序信息不丢失，再通过残差模块解决神经网络深度较深问题，最后通过输出层输出结果。结果表明：该方法可以一次性诊断多种轴承的不同位置及不同尺寸的故障，且对比其他深度学习网络，该算法具有更高的准确性。关键词:故障诊断;卷积神经网络;门控循环单元;残差神经网络中图分类号:U270;TH133.3文献标志码:A文章编号:1674–5124(2023)09–0046–05ResearchonconvolutiongatingcyclicresidualnetworkforbearingfaultdiagnosisCHENGuojun1,2,SUYanchen1,2,KOUHaowei1,2,DENGYue1,2,LIHengkui3(1.SchoolofMechanicalEngineering,SouthwestJiaotongUniversity,Chengdu610031,China;2.TechnologyandEquipmentofRailTransitOperationandMaintenanceKeyLaboratoryofSichuanProvince,Chengdu610031,China;3.QingdaoSifangLocomotiveandRollingStockCo.,Ltd.,Qingdao266031,China)Abstract:Aimingattheproblemthatitisdifficulttoextractthefaultfeaturesofrollingbearingandthelowaccuracyofmanydeeplearningmethodsduetothesimplemodel,agatedcyclicnetworkbasedonresidualnetworkisproposed.Thisalgorithmcanreducethelossoftiminginformationandsolvetheproblemofperformancedegradationduetothedeepnetwork.Themodelincludestwoconvolutionlayers,twogatedcyclicnetworklayers,oneresidualblocka...
