基于多尺度卷积注意力循环神经网络和迁移学习的滚动轴承故障诊断

来源：振动与冲击杂志2024年第20期北京时间：

作者：董绍江，黄翔，夏宗佑，邹松

单位：重庆交通大学机电与车辆工程学院，重庆400074

摘要：针对传统卷积神经网络故障诊断方法提取特征不丰富，容易丢失故障敏感信息，且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题，提出了注意力机制的多尺度卷积神经网络（Multi-scale Convolutional Neural Network，MSCNN）和双向长短期记忆网络（Bi-directional Long Short-Term Memory，BiLSTM）融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征；然后引入多头自注意力机制（Multi-Head Self-Attention，MHSA）自动地给予特征序列中的不同部分不同的权重，进一步加强特征表示的能力；其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递；最后利用多核最大均值差异（Maximum-Kernel Mean Discrepancy，MK-MMD）减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。实验结果表明，所提方法在JNU、PU公开轴承数据集上平均准确率分别为98.43%和97.66%，该方法在重庆长江轴承股份有限公司自制的轴承故障数据集（CME）上也表现出了极高的准确率和较快的收敛速度，为有效诊断振动旋转部件故障提供了实际依据。<br>

关键词：故障诊断；多尺度卷积神经网络；双向长短期记忆网络；多头自注意力；多核最大均值差异