内燃机工程

作者：程建刚，毕凤荣，张立鹏，李鑫，杨晓，汤代杰

单位：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

关键词：注意力,故障诊断,多重注意力-卷积神经网络-双向门控循环单元（MA-CNN-BiGRU）,端到端,

基金：天津市自然科学基金项目（18JCYBJC20000）

为解决传统机械故障诊断方法需要人工提取特征的不足，提出一种基于多重注意力-卷积神经网络-双向门控循环单元（multiple attention-convolutional neural networks bidirectional gated recurrent unit， MA-CNN-BiGRU）的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络（convolutional meural networks, CNN）进行初步特征提取并降维，然后将结果重组输入双向门控循环单元（bidirectional gated recurrent unit, BiGRU），可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练，确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时，通过在CNN和BiGRU中分别加入卷积注意力模块（convolutional block attention module, CBAM）和序列注意力模块（sequence attention module, SAM），进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明：MA-CNN-BiGRU模型可以实现端到端的故障诊断，与变分模态分解(variational mode decomposition, VMD)〖CD*2〗核模糊C〖CD*2〗均值聚类算法（VMD-kernel fuzzy C-means clustering, VMD-KFCM）、VMD-反向传播神经网络（back propagation neural network, BPNN） 和一维CNN等方法进行对比，MA-CNN-BiGRU模型的故障诊断性能更优。

来源：2021年第4期

《内燃机工程》期刊编辑部

查看内燃机工程杂志2021年第4期