基于双通道深度学习的轴承故障诊断研究

作者：宋晓承; 岑跃峰^*; 张宇来; 岑岗

来源：机电工程, 2023, 40(07): 988-998.

• 循环神经网络
• 深度学习
• 卷积神经网络(CNN)
• 双向长短期记忆神经网络(BiLSTM)
• 多头自注意力机制(MS)

近年来，基于深度学习和振动分析的轴承故障诊断研究发展迅速，逐渐取代了人工提取特征和基于机器学习的传统方法。针对轴承故障诊断中现有的深度学习模型，存在单一模型稳定性和泛化能力差、普通混合模型功能互排斥，导致局部特征提取能力不足等问题，提出了一种基于卷积神经网络(CNN)和循环神经网络(RNN)的双通道网络算法(模型),用于轴承故障诊断。首先，选取了一维卷积(1D-CNN)和双向长短期记忆神经网络(BiLSTM)作为基础模型；然后，由多头自注意力机制(MS)代替了一维卷积中的池化层；最后，在双向长短期记忆神经网络中引入了多头自注意力机制，整体模型由MSCNN-MSBiLSTM指代，并通过美国凯斯西储大学提供的轴承故障数据进行了实验验证。研究结果表明：MSCNN-MSBiLSTM获得99%的分类精度，相对于其他对比模型，该模型获得更好的实验结果；普通的混合模型在通过引入多头自注意力机制(MS)之后，相对于单一模型而言，能够获得更好的稳定性和泛化性能；与普通混合模型相比，该模型能够提取更深层次的特征。

• 单位
  浙江科技学院; 电子工程学院