基于特征金字塔卷积循环神经网络的故障诊断方法

变工况、变载荷设备部件不同故障的特征在信号中所占比例和位置不固定，且包括大量不同场景下的原始振动信号的多尺度复杂性.对此，提出一种基于特征金字塔网络(FPN)的卷积循环神经网络(CRNN)滚动轴承故障诊断方法.利用卷积神经网络(CNN)框架，并联CNN的卷积层和循环神经网络(RNN)中的长短时记忆(LSTM)层，形成新的CRNN,以充分利用CNN对空间域信息和RNN对时域信息的学习能力；在每一层中权值共享，减少网络参数；利用FPN构建全新特征图，输入一维信号和堆叠后形成的二维信号，对传感器采集的信号进行特征提取，实现故障诊断.利用行星齿轮箱进行故障试验，并进行5折交叉验证，该方法的诊断准确率平均值为99.20%,比基本神经网络模型至少高3.62%,表明该方法诊断精度高、鲁棒性强；利用凯斯西储大学轴承数据集进行验证，证明该方法具有良好的泛用性；利用t-SNE方法对模型的特征学习效果进行可视化分析，结果表明不同故障类别特征具有良好的聚类效果.