第40卷第2期2023年2月机电工程JournalofMechanical＆ElectricalEngineeringVol．40No．2Feb．2023收稿日期:2022－06－28基金项目:国家自然科学基金资助项目(51675350)作者简介:史宗辉(1997－)，男，宁夏银川人，硕士研究生，主要从事风力发电机状态检测及故障诊断方面的研究。E-mail:792211309@qq．com通信联系人:陈长征，男，博士，教授，博士生导师。E-mail:czchen@sut．edu．cnDOI:10．3969/j．issn．1001－4551．2023．02．010基于S-CBiGＲU的风电机组滚动轴承故障诊断方法*史宗辉1，陈长征1，2*，田淼1，安文杰1，孙鲜明3(1．沈阳工业大学机械工程学院，辽宁沈阳110870;2．振动噪声控制工程技术研究中心，辽宁沈阳110870;3．宁波坤博测控科技有限公司，浙江宁波315200)摘要:风电机组滚动轴承的振动信号存在非线性、非平稳的特性，且其特征不易被提取，针对这一问题，提出了一种基于S变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于S-CBiGＲU的诊断方法)。首先，利用S变换对风场采集的振动信号进行了多分辨率时频分析，将一维振动信号转化为包含时间与空间特征信息的二维时频图像;然后，将经S变化所得到的时频图输入到CBiGＲU网络模型中，采用CNN卷积池化层提取了振动信号的空间特征;其次，采用BiGＲU结构提取了振动信号中的时间序列特征;最后，为了对上述诊断方法的有效性进行验证，采集了风电机组轴承实验数据，并将其输入到该模型中进行诊断实验。实验结果表明:在风电机组轴承故障诊断中，采用S-CBiGＲU方法准确率达到93．17%，分类效果优于其他深度学习算法。研究结果表明:S-CBiGＲU故障诊断方法具有可行性，可以为风电机组滚动轴承的故障诊断提供一种新途径。关键词:时频分析;空间特征;时间序列特征;S变换;卷积神经网络;双向门控循环单元中图分类号:TH133．33;TM315文献标识码:A文章编号:1001－4551(2023)02－0232－07FaultdiagnosismethodofwindturbinerollingbearingbasedonS－CBiGＲUSHIZong-hui1，CHENChang-zheng1，2，TIANMiao1，ANWen-jie1，SUNXian-ming3(1．SchoolofMechanicalEngineering，ShenyangUniversityofTechnology，Shenyang110870，China;2．LiaoningVibrationandNoiseControlEngineeringＲesearchCenter，Shenyang110870，China;3．NingboKunboMeasurementandControlTechnologyCo．，Ltd，Ningbo315200，China)Abstract:Forwindturbinerollingbearingvibrationsignal，therewereproblemswithnon-...
