基于多重注意力卷积神经网络双向门控循环单元的机械故障诊断方法研究

程建刚，毕凤荣，张立鹏，李 鑫，杨 晓，汤代杰

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

0 概述

基于振动信号分析的机械故障诊断方法由于测量简单、维修方便、成本低廉等特点成为了研究热点。传统基于信号处理的故障诊断方法通常包括振动信号获取、人工特征提取和模式识别3步。其中人工特征提取过程需要借鉴丰富的专家经验知识，受人为因素干扰大，导致诊断结果不确定性高[1-3]。因此，不少学者将注意力转到基于深度学习的端到端的故障诊断研究。端到端的故障诊断方法期望以原始时域数据作为模型输入，通过对历史数据进行学习便可建立输入-输出映射关系，尽量降低人工干预程度。

基于振动信号处理的故障诊断技术的研究对象为一维时域信号，对于故障特征提取较为困难。近年来，卷积神经网络(convolutional neural networks, CNN)在图像识别[4-6]、自然语言处理[7-8]、医学[9]等领域取得了巨大成功。CNN采用多层卷积的方式提取特征，其成功经典模型如LeNet-5[10]、AlexNet[11]、GoogleNet[12]和ResNet[13]等，证明其在挖掘数据的深层特征表示方面具有独特优势。振动信号为前后关联的序列数据，其序列顺序信息是重要的数据特征，但是CNN并未考虑输入序列的顺序信息。循环神经网络(recurrent neural networks, RNN)采用循环连接的方式，可以挖掘序列数据前后位置间联系，但是原始RNN存在梯度消失问题。门控循环单元(gated recurrent unit, GRU)是RNN的一种变体，其采用“门”结构的形式可以在一定程度上解决RNN的梯度消失问题。但是，随着输入数据链的不断加长，模型的应用效果也将逐渐下降。……