基于注意力BiGRU的机械故障诊断方法研究

张立鹏，毕凤荣,，程建刚，沈鹏飞

(1.天津内燃机研究所，天津 300072； 2.天津大学 内燃机燃烧学国家重点实验室，天津 300072)

国民生产环节中，机械生产设备连续化、高速化、自动化的趋势迅猛发展，因此监测设备运行状态、保障重大产品设备安全稳定运行、防止设备故障带来的经济故障和人员伤亡变得愈加重要。状态监测与故障诊断技术作为一门迅速发展的工程领域技术得到科研人员的广泛关注。

基于振动信号的故障诊断方法，由于其测量简单、成本低、采集精度高、适应性强等优良特性，在工程实践中被广泛应用[1]。基于振动信号的机械状态检测与故障诊断一般包括特征提取和模式识别两个阶段。当机械系统如轴承等关键部件发生故障时，瞬时冲击响应成分将通过结构传播到传感器，储存于采集到的信号数据中，这种成分表现出持续时间较短、频带较宽等特点，通过分析处理这种带有时变特性的非平稳信号，便可以得到机械的故障类型。目前，处理和分析非平稳信号时，短时傅里叶变换(short time transform,STFT)、小波变换(wavelet transform,WT)、稀疏表达[2](sparse representation,SR)、经验模态分解[3](empirical mode decomposition,EMD)、变分模态分解[4](variational mode decomposition,VMD)等方法都取得了不错的效果，对于特定的故障类型实现了较好的分类准确性，但都存在自适应性差、算法复杂、过于依靠先验知识、过于依赖所提取特征的质量等局限性。

随着深度学习的兴起，基于神经网络的人工智能模型被引入机械故障诊断领域。神经网络模型经过不断优化发展，实现了较高的分类准确度，并具有较强的鲁棒性和容错能力，能够充分逼近机械故障类型识别中十分复杂的非线性关系。……