基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN?BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。