融合自注意力机制的1DCNN-BiGRU轴承故障诊断方法

摘要

针对传统卷积神经网络模型进行轴承故障诊断时因特征提取能力有限而导致诊断准确率降低的问题，提出一种融合自注意力机制的一维卷积神经网络（1DCNN）和双向门控循环单元（BiGRU）的轴承故障诊断方法。通过1DCNN层提取输入数据的局部特征，利用BiGRU对提取的故障特征进行二次捕获，引入自注意力机制使模型自动学习不同特征之间的关联性和重要性，从而智能地聚焦到与故障最为相关的关键特征上。用美国凯斯西储大学轴承故障数据集进行了仿真实验，结果表明，所提方法在进行故障诊断时能够以较少的训练次数达到较高的准确率，面对复杂多变的故障情况时，能够做出更准确、更可靠的诊断。

关键词

一维卷积神经网络 / 双向门控循环单元 / 自注意力机制 / 故障诊断