轴承振动信号作为一种时间序列数据，其时间维度特征在分类中起着关键作用，单独使用卷积神经网络（CNN）进行轴承故障诊断会造成时间维度信息的丢失，导致诊断精度下降。针对上述问题，提出了一种结合一维CNN、双向门控循环单元（Bi GRU）和注意力机制的轴承故障诊断模型。首先利用CNN自适应提取一维振动信号局部空间特征；然后将该特征信息作为Bi GRU的输入，利用Bi GRU将提取的特征信息进行时间维度的融合，并引入注意力机制对多个时刻的特征信息进行加权，提取出更关键的故障特征；最后将故障特征输入全连接层得到分类结果，实现轴承智能故障诊断。实验结果表明：(1)在测试集混淆矩阵上，轴承运行状态基本分类正确，只有部分标记类型没有被完全分类正确，但是召回率达到了95%以上，总的故障识别准确率为99.3%。(2)利用t-SNE技术对降维处理后的数据进行可视化，轴承各运行状态的数据很好地聚集在各自的空间内，只有少量数据被混杂到其他区域，说明该模型具有较强的特征提取能力。(3)在恒定负载情况下，该模型故障诊断准确率较一维CNN、Bi GRU和注意力CNN等模型的平均准确率分别提高了0.8%、0.6%和0.3%。(4)在变负载情况下，与SVM（支持向量机）、一维CNN、Bi GRU和注意力CNN等模型相比，该模型具有更好的稳定性，当负载为2.25 kW时，准确率达85%以上。该模型既具有一维CNN局部特征提取能力，又具有Bi GRU时间依赖信息的建模能力，能够在获取轴承信号局部复杂特征后进一步融入特征之间的时间维度信息，同时注意力机制能进一步关注与故障更相关特征，因此具有较好的精度。

国家重点研发计划项目（2017YFC0804408）；

0 引言
1 深度学习理论
1.1 CNN
1.2 GRU
1.3 注意力机制
2 故障诊断模型
3 实例分析
3.1 实验数据采集
3.2 实验结果及分析
4 结论

吴冬梅,王福齐,李贤功,唐润,张新建.轴承智能故障诊断[J].工矿自动化,2022,48(09):49-55.DOI:10.13272/j.issn.1671-251x.17986.