基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

来源：振动与冲击杂志2024年第6期北京时间：

作者：王敏,，邓艾东,，马天霆,，张宇剑,，薛原,

单位：1.东南大学能源与环境学院，南京210096;2.东南大学大型发电装备安全运行与智能测控国家工程研究中心，南京210096

摘要：针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题，提出一种基于双注意力机制的多尺度卷积网络(Dual attention and Multi-scale convolutional networks，DAMSCN)与改进的双向门控循环单元(Bidirectional gated recurrent unit, BiGRU)组成的故障诊断模型 DAMSCN-BiGRU。首先，多尺度特征融合模块(Multi-scale feature fusion module, MSF)使用不同大小的卷积核，获得多种感受野，从而提取到轴承原始振动信号的多尺度特征信息，并根据重要性对其进行自适应融合，然后利用通道注意力和空间注意力组成的双注意力模块(Dual attention module, DAM)对多尺度特征进行重新标定，分配注意力权重，削弱融合特征中的冗余特征；然后，增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征，以提高轴承故障诊断的性能；最后，通过Softmax层完成对不同故障的分类。实验结果表明，与其他智能诊断模型相比，DAMSCN-BiGRU在变工况环境下，平均诊断精度达到98.2%，在强噪声背景下仍然有着85.3%的准确率，且在不同程度的噪声强度下效果均优于其他常用模型，有利于促进滚动轴承的智能故障诊断研究和实际应用。

关键词：滚动轴承；故障诊断；多尺度特征融合；双注意力机制；双向门控循环单元;