基于CEEMDAN-CNN-BiGRU的轴承故障诊断研究

摘要

随着矿山设备向高速、重载、智能化方向的发展，电驱动运载车辆换电机器人在矿山取得了大规模的应用。换电机器人中轴承故障诊断面临着强背景噪声干扰、非平稳工况下的微弱故障特征提取等多重挑战。传统的基于时域或频域特征的单维度分析方法难以有效捕捉非平稳信号的时频局部特性，导致诊断准确率受限；而单一深度学习模型，如卷积神经网络（CNN）或循环神经网络（RNN）在特征表达完备性与时序关联建模能力上存在局限性。针对上述问题，提出了一种小波时频图融合特征驱动的自适应噪声完备集合经验模态分解-CNN-双向门控循环单元（CEEMDAN-CNN-BiGRU）诊断方法。结合CNN的空间特征提取和BiGRU捕捉时间序列数据中的时序依赖关系的能力，有效提升了换电机器人轴承故障诊断的准确性和鲁棒性。

关键词

故障诊断 / 计算机神经网络 / 深度学习 / CNN / BiGRU

基金资助

国家能源集团科技创新项目（GJNY-22-45）