杨如意

（国电内蒙古东胜热电有限公司，鄂尔多斯017000）

0 引言

电机轴承是电机的重要组成部分，广泛应用于电力生产等工业领域。如果设备出现故障，将影响系统运行，甚至可能造成严重的经济损失和人员伤亡。因此，对电机轴承进行有效的故障诊断，不仅可以保证系统的高效运行，而且可以及时发现和排除运行故障，有效地预防重大事故的发生[1]。

电机轴承故障诊断技术是近年来出现的一门综合技术，它包含了许多新的科学技术研究。其基本原理是在电机有负载或无负载的情况下，根据设备在运行过程中产生的机械、电气等各种信息来判断电机是否发生故障或运行良好。从而实现了对电机的状态参数进行检测和分析，确定异常的存在，判断故障的位置和原因，预测电机的未来状态的功能[2]。轴承是旋转电机中的一个易损部件，因为它总是在恶劣的环境下工作，如冲击、重载和高温[3-4]。因此，轴承状态监测与故障诊断对于保证轴承的安全运行，减少故障损失具有重要意义。在过去的几十年中，为了从振动、声音、电流、温度信号中提取有用的信息，许多技术，如小波分析[5-6]、随机共振[7-9]、线性自回归建模[10]，以及经验模式分解[11-12]等在电机轴承故障诊断中相继应用。特别是从新兴的先进信号处理方法中获益，其中振动和声音信号分析技术得到了迅速发展[5,12-13]。

本文通过残差BiLSTM构建深度神经网络故障模型，将其用于电机轴承故障诊断。残差BiLSTM可以从轴承的振动信号中学习和提取特征，通过Soft⁃max层便可实现故障分类。……