基于改进动画燕麦优化算法优化CNN-MA-BiLSTM的电机轴承多传感器融合轻量故障诊断方法

《Scientific Reports》：Multi sensor fusion motor bearing lightweight fault diagnosis based on IAOO-CNN-MA-BiLSTM model

　　

摘要

针对电机轴承故障诊断中多传感器信号特征提取困难、模型复杂度高以及超参数确定不确定性等问题，本研究提出了一种基于改进动画燕麦优化算法（IAOO）优化卷积神经网络（CNN）和多尺度注意力增强双向长短期记忆网络（MA-BiLSTM）的轻量化多传感器融合故障诊断方法。首先，利用IAOO自适应优化CNN和MA-BiLSTM的关键超参数。通过引入自适应惯性权重、混沌初始化与扰动、精英反对学习以及莱维飞行机制，提升了AOO算法的全局搜索能力和收敛精度。其次，采用CNN提取多传感器振动信号的局部特征，利用MA-BiLSTM捕获双向时序依赖关系，并引入多尺度注意力机制以关注不同时间尺度下的关键信息。同时，融入门控卷积和深度可分离卷积以实现模型轻量化。最后，在自建的NU-Bearing-4States数据集上进行了实验验证，并与主流故障诊断算法（包括SVM、随机森林、一维CNN、LSTM、BiLSTM、CNN-LSTM、Transformer和ResNet-18）进行了对比，并进行了时频分析。实验结果表明，所提方法在测试集上达到了99.32%的准确率、99.28%的精确率、99.25%的召回率、99.26%的F1分数，推理时间为12.96秒，参数量为3.74M，在所有指标上均优于对比算法。时频分析进一步揭示了不同故障状态下振动信号特征的差异。本研究的核心创新如下：（1）提出了IAOO算法，通过自适应惯性权重、混沌初始化与扰动、精英反对学习和莱维飞行的协同机制，有效克服了原AOO算法收敛速度慢和易陷入局部最优的问题；（2）设计了MA-BiLSTM模块，利用多尺度注意力机制自适应融合不同时间尺度下的故障特征；（3）引入门控卷积和深度可分离卷积，在保证诊断精度的同时实现模型轻量化，参数量仅为3.74M。实验表明，所提方法在测试集上达到99.32%的准确率，具有较强的噪声鲁棒性和实时性能，为电机轴承智能预警提供了有效方案。