融合注意力机制的MSCNN-BiLSTM滚动轴承故障诊断方法

作者：谢扬筱; 王国强; 石念峰; 杨向兰; 王勇

来源：轴承, 2023, 1-9.

• 轴承故障诊断
• 卷积神经网络
• 双向长短时记忆网络
• 注意力机制

针对传统故障诊断方法故障特征提取能力不足导致在变负载和噪声干扰场景下诊断效果不佳的问题，提出了一种融合注意力机制的多尺度卷积神经网络（Multi-Scale Convolutional Neural Network， MSCNN）和双向长短时记忆网络（Bidirectional Long Short-Term Memory， BiLSTM）结合的滚动轴承故障诊断模型。该模型利用通道注意力机制优化卷积神经网络（CNN）学习机制，构建多尺度特征提取模块自适应提取不同尺度的关键空间特征信息；接着利用BiLSTM对时间信息序列的学习能力提取振动信号的时序特征信息，并通过引入自注意力机制关注重要故障特征；最后使用Softmax分类器进行轴承故障诊断。试验结果表明，该模型能充分提取原始振动信号的故障特征，与其他故障诊断模型相比，其诊断精度高、泛化性强，能够在变负载和噪声干扰的情况下保持良好的诊断准确率。

• 单位
  上海电力大学; 洛阳理工学院; 河南科技大学