石静雯，侯立群

基于双向门控循环单元网络的滚动轴承故障诊断

石静雯，侯立群

（华北电力大学 自动化系，河北 保定 071003）

滚动轴承作为大多数旋转机械的重要零部件，其工作状态直接影响设备的工作寿命。针对传统故障诊断方法自适应性差、特征提取过于依赖人工经验的问题，提出一种基于双向门控循环单元的轴承故障诊断方法。该方法直接将原始振动信号作为模型输入，自动进行故障特征提取与故障诊断。结合轴承外圈故障、内圈故障及滚动体故障等9种故障状况，对所提方法进行了验证。实验结果表明，其故障诊断准确率可达99.56%，诊断效果优于门控循环单元、长短期记忆网络等算法，且泛化能力好。

故障诊断；双向门控循环单元；深度学习；滚动轴承

0 引言

滚动轴承作为大多数旋转机械的重要零部件，其工作状态直接决定了机器的工作寿命及工作人员的安全。对滚动轴承进行及时的状态监测和故障诊断能够有效防止设备意外故障，提高设备运行效率[1-2]。

随着人工智能技术的快速发展和大数据时代的到来，各个领域都形成了复杂的数据库[3]，故障诊断领域也不例外。传统的故障诊断方法在特征提取和处理方面依靠人工经验，难以处理海量的数据。深度学习具有强大的数据处理能力，深度卷积神经网络和循环卷积网络也已成功应用于自动驾驶、图像识别等领域。

长短期记忆（LSTM）模型以及门控循环单元（GRU）是循环神经网络的变体，它们成功解决了RNN的梯度消失、梯度爆炸和长期记忆力不足等问题[4]。……