摘要： 为了改善单一网络模型在轴承数据不平衡情况下特征提取不全面的问题，提出了一种基于多尺度卷积双向门控循环神经网络的轴承故障诊断方法。首先将原始信号作为模型的输入，设计串/并联结构的卷积层提取轴承信号中的多尺度特征；其次在双向门控循环单元中引入序列注意力机制进一步捕获时间相关特征；最后将Adacost代价敏感函数与软注意力机制结合，替换传统卷积神经网络中的Softmax函数，以解决轴承数据不平衡造成的诊断精度低的问题。通过对德国帕德博恩大学的轴承数据集中设置3组不同比例的不平衡数据集进行实验验证，实验表明所提方法可以更全面地提取出故障特征，提升了模型在不平衡数据集情况下的故障识别率。

关键词: 滚动轴承; 故障诊断; 不平衡数据; 卷积神经网络; 循环神经网络

中图分类号: 

• TH133.33