基于ViT-Dense-GRU的往復(fù)壓縮機(jī)軸承間隙故障診斷方法

中圖分類號(hào) TQ051.21 文獻(xiàn)標(biāo)志碼A 文章編號(hào) 0254-6094（2025）03-0455-08

往復(fù)壓縮機(jī)是用于壓縮和輸送氣體的機(jī)械設(shè)備，其種類多，用途廣，素有通用機(jī)械之稱[1]。尤其在對(duì)高壓介質(zhì)需求廣泛的石油化工生產(chǎn)工藝中，多級(jí)往復(fù)壓縮機(jī)優(yōu)越性突出，承擔(dān)著重要的生產(chǎn)任務(wù)[2]。然而，往復(fù)壓縮機(jī)結(jié)構(gòu)復(fù)雜，激勵(lì)源眾多，故障發(fā)生率較高[3]。軸承作為其傳動(dòng)系統(tǒng)的重要組成部件，長(zhǎng)時(shí)間處于高速、重載、高溫、腐蝕的復(fù)雜惡劣工作環(huán)境中[4]，是往復(fù)壓縮機(jī)中故障率較高的關(guān)鍵零部件之一。一旦發(fā)生故障，將影響往復(fù)壓縮機(jī)的正常運(yùn)行，甚至可能造成較大的事故和經(jīng)濟(jì)損失[5.6]。因此，有必要對(duì)往復(fù)壓縮機(jī)軸承進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷，提前發(fā)現(xiàn)異常并進(jìn)行調(diào)整，從而預(yù)防事故發(fā)生[7-9]。

隨著大數(shù)據(jù)時(shí)代的到來，以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)的深度學(xué)習(xí)[10]，在圖像處理[11]和故障診斷[12，13]領(lǐng)域展現(xiàn)出了獨(dú)特的優(yōu)勢(shì)。它能夠利用深層結(jié)構(gòu)，挖掘原始信號(hào)中隱藏的復(fù)雜關(guān)系，提高故障識(shí)別率。2017年，HUANGG等提出了密集連接網(wǎng)絡(luò)（DenseNet），設(shè)計(jì)了全新卷積網(wǎng)絡(luò)結(jié)構(gòu)[14]，通過特征復(fù)用減少了訓(xùn)練參數(shù)，提高了模型收斂速度。然而，該網(wǎng)絡(luò)在針對(duì)往復(fù)壓縮機(jī)進(jìn)行軸承間隙故障診斷時(shí)存在以下問題：

a.時(shí)序特征提取不充分；

b.復(fù)雜工況下魯棒性差；

c.存在梯度爆炸的問題。

這些問題將導(dǎo)致軸承間隙故障診斷準(zhǔn)確率下降，使得該網(wǎng)絡(luò)不能較好地適應(yīng)對(duì)往復(fù)壓縮機(jī)軸承間隙故障的診斷。

為此，筆者構(gòu)建了一個(gè)ViT-Dense-GRU模型，該模型內(nèi)部主要分為兩個(gè)并行模塊，一個(gè)是嵌套視覺變換器（VisionTransformer，ViT）的密集連接網(wǎng)絡(luò)（DenseNetwork，DenseNet）模塊，通過引入注意力機(jī)制，增加重要特征權(quán)重，抑制冗余特征權(quán)重，提高訓(xùn)練效率，以便進(jìn)行軸承振動(dòng)信號(hào)特征的準(zhǔn)確提??；另一個(gè)是門控循環(huán)單元（GatedRe-currentUnit，GRU）網(wǎng)絡(luò)模塊，通過門控機(jī)制，減少特征信息的丟失，實(shí)現(xiàn)時(shí)序特征的準(zhǔn)確提取。最后，將兩部分特征進(jìn)行融合，并輸入分類層中進(jìn)行分類，以實(shí)現(xiàn)軸承間隙故障的準(zhǔn)確診斷。

1智能網(wǎng)絡(luò)理論

1.1密集連接網(wǎng)絡(luò)

DenseNet是一種新型的卷積網(wǎng)絡(luò)結(jié)構(gòu)，其主體由密集塊與過渡層兩部分組成。密集塊的輸出X_i 可表示為：

X_t=H_L[（X₁，X₂，X₃，…，X_L-1）]

其中， L 為網(wǎng)絡(luò)層數(shù)； H_ΔL 為非線性轉(zhuǎn)換函數(shù)，由批量歸一化層、激活函數(shù)和卷積層組成； X_L-1 為密集塊中第L-1層的輸出。

DenseNet具有全新的密集連接機(jī)制，在層與層之間加強(qiáng)了特征傳播，強(qiáng)調(diào)特征復(fù)用，減少了網(wǎng)絡(luò)參數(shù)量，縮短了模型收斂時(shí)間。然而，采用單一DenseNet進(jìn)行軸承間隙故障診斷時(shí)，會(huì)出現(xiàn)時(shí)序特征提取不充分、復(fù)雜工況下魯棒性差及梯度爆炸等問題，極大地限制了DenseNet模型的實(shí)用性和泛化能力。

1.2 視覺Transformer網(wǎng)絡(luò)

ViT是一種基于注意力機(jī)制的網(wǎng)絡(luò)，通過將注意力聚焦到對(duì)象特征的不同位置，從而提升網(wǎng)絡(luò)的特征提取能力。相比其他注意力機(jī)制網(wǎng)絡(luò)，ViT因其較強(qiáng)的計(jì)算能力、較低的內(nèi)存占用和較少的訓(xùn)練參數(shù)，被廣泛應(yīng)用于視覺識(shí)別和圖像特征分類任務(wù)。該網(wǎng)絡(luò)通常有僅有編碼器、僅有解碼器和編碼器加解碼器3類。文中所提模型僅使用編碼器結(jié)構(gòu)來進(jìn)行特征提取和分類。

ViT編碼器結(jié)構(gòu)示意圖如圖1所示。

ViT編碼器由多個(gè)相同的Transformer模塊堆疊組成，主要包含多頭自注意力層與前饋神經(jīng)網(wǎng)絡(luò)層（MLP）兩個(gè)子層。通過添加殘差連接和歸一化層，在網(wǎng)絡(luò)內(nèi)部將子層連接起來，從而增加網(wǎng)絡(luò)深度，提高模型精度。每個(gè)子層的輸出o表達(dá)式為：

其中， S（x） 為每個(gè)子層中的多頭自注意力函數(shù)和MLP函數(shù);LayerNorm為歸一化函數(shù)

自注意力機(jī)制是ViT網(wǎng)絡(luò)能夠有效提取全局特征信息的重要特性，分為單頭和多頭自注意力機(jī)制。注意力機(jī)制函數(shù)如下：

其中，attention為注意力機(jī)制函數(shù)；softmax為歸一化函數(shù)； Q，K，V 分別為查詢向量、鍵向量、值向量； d 為 Q，K 、V的維數(shù)。

由于單頭自注意力機(jī)制只能學(xué)習(xí)單一表征空間特性，會(huì)導(dǎo)致對(duì)當(dāng)前位置信息的過度關(guān)注，影響全局信息的獲取，因此筆者采用多頭自注意力機(jī)制，對(duì)不同子空間的特征進(jìn)行全面提取。多頭自注意力機(jī)制的計(jì)算式如下：

M（Q，K，V）=concat（H₁，H₂，…，H_h）=W^o

H_i=attention（Q_i，K_i，V_i），i=1，2，…，h

其中， concat 為拼接計(jì)算； H_i 為第 i 個(gè)注意力頭； W^o 為線性變換矩陣； h 為多頭注意力機(jī)制中的頭數(shù)。

前饋神經(jīng)網(wǎng)絡(luò)層包括全連接層、GELU激活函數(shù)和隨機(jī)失活層。在ViT中，GELU函數(shù)主要用于前饋層激活，計(jì)算式如下：

其中， erf 為高斯誤差函數(shù)。

ViT增強(qiáng)了模型的計(jì)算能力，并且內(nèi)存消耗和訓(xùn)練參數(shù)較少。在本模型中，主要應(yīng)用的是基于多頭自注意力機(jī)制的ViT編碼器模塊。利用該模塊，可以快速捕捉時(shí)序信號(hào)的全局敏感特征，極大地提高了訓(xùn)練效率。

1.3門控循環(huán)單元

GRU是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，它來源于長(zhǎng)短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）。GRU與LSTM的相同點(diǎn)是，二者都通過引入門控機(jī)制捕捉輸入數(shù)據(jù)中的時(shí)序信息，從而更好地應(yīng)對(duì)時(shí)間序列數(shù)據(jù)的特征提取任務(wù)；二者的區(qū)別在于，GRU將LSTM的輸入門與遺忘門合并為更新門，結(jié)構(gòu)更加緊湊且簡(jiǎn)潔。GRU結(jié)構(gòu)簡(jiǎn)圖如圖2所示。

圖2中 ，x_t?h_t-1 為GRU的輸入 ，y_t，h_t 為GRU的輸出。GRU包含兩個(gè)門：重置門與更新門。重置門通過控制當(dāng)前輸入以及前一時(shí)刻隱藏狀態(tài)，對(duì)候選隱藏狀態(tài)的影響量進(jìn)行調(diào)控；更新門通過控制新輸入以及上一時(shí)刻隱藏狀態(tài)，來確定是否更新到候選隱藏狀態(tài)。相關(guān)計(jì)算式如下：

z_t^j=σ_g（W_zx_t+U_zh_t-1）^j

h_t^j=（1-z_t^j）h_t-1^j+z_t^j-h_t

其中， 為更新門； σ_gσ_h 為sigmoid激活函數(shù)、Tanh激活函數(shù)； h_t-1 為上一時(shí)刻隱藏狀態(tài)； W_z?U_z 為更新門權(quán)重矩陣； W_r?U， 為重置門權(quán)重矩陣； ?_ht 為當(dāng)前隱藏狀態(tài)； 為更新后隱藏狀態(tài)； W，U 為權(quán)重矩陣； r_t^j 為重置門；上角j為隱藏狀態(tài)的維度。

GRU通過門控機(jī)制能夠在大量訓(xùn)練數(shù)據(jù)中保證準(zhǔn)確率，加快運(yùn)算速度，充分提取序列數(shù)據(jù)間的時(shí)間特性。與LSTM網(wǎng)絡(luò)相比，在有效解決標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失和梯度爆炸問題的同時(shí)，具有更加簡(jiǎn)練緊湊的結(jié)構(gòu)，在融合網(wǎng)絡(luò)中具有更好的適用性。

2 ViT-Dense-GRU模型構(gòu)建

針對(duì)單一DenseNet在面對(duì)往復(fù)壓縮機(jī)復(fù)雜工況時(shí)，出現(xiàn)識(shí)別率低、時(shí)序特征提取不充分、魯棒性差，從而導(dǎo)致軸承間隙故障特征提取不充分的問題，筆者提出并構(gòu)建了ViT-Dense-GRU網(wǎng)絡(luò)模型（圖3）。

具體的往復(fù)壓縮機(jī)軸承間隙故障診斷流程如下：

a.通過數(shù)據(jù)預(yù)處理將振動(dòng)信號(hào)轉(zhuǎn)換成時(shí)頻圖，形成特征向量并劃分為訓(xùn)練集與驗(yàn)證集，并將訓(xùn)練集作為網(wǎng)絡(luò)的輸入。

b.訓(xùn)練集先經(jīng)卷積池化操作，初步提取圖像特征。

c.初步提取的圖像特征按兩條路徑進(jìn)行處理，第1條路徑，將圖像輸入3個(gè)嵌套注意力機(jī)制的ViT-DenseNet模塊中，利用結(jié)合注意力機(jī)制與密集連接機(jī)制的強(qiáng)大特征提取能力，增加重要特征的權(quán)重，進(jìn)行軸承振動(dòng)信號(hào)特征提取；第2條路徑，將圖像輸入3個(gè)串聯(lián)的GRU網(wǎng)絡(luò)模塊中，通過門控機(jī)制進(jìn)行時(shí)序特征提取，減少特征信息的丟失。

d.將提取的軸承振動(dòng)信號(hào)特征與時(shí)序特征組合成新的向量，輸入網(wǎng)絡(luò)完成時(shí)序-振動(dòng)信號(hào)特征融合，并將融合特征輸入softmax分類層。

e.當(dāng)模型的訓(xùn)練輪次達(dá)到要求時(shí)，停止訓(xùn)練，并輸出分類結(jié)果，完成故障診斷。

3 試驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集

以某天然氣公司的2D12型天然氣壓縮機(jī)為研究對(duì)象，開展多項(xiàng)模擬故障試驗(yàn)，構(gòu)建往復(fù)壓縮機(jī)模擬故障數(shù)據(jù)集。利用該數(shù)據(jù)集對(duì)文中所提軸承間隙故障診斷模型進(jìn)行驗(yàn)證。選用的數(shù)據(jù)為十字頭下端測(cè)點(diǎn)振動(dòng)傳感器采集的信號(hào)，采樣頻率為 30kHz 。共選用4種工況的數(shù)據(jù)：健康狀態(tài)，二級(jí)氣缸連桿大頭軸承間隙大，二級(jí)氣缸連桿小頭軸承間隙大，二級(jí)十字頭間隙大。在健康狀態(tài)中，二級(jí)連桿大頭軸瓦間隙為 0.12～0.22mm ，二級(jí)連桿小頭軸瓦間隙為 0.06～0.12mm ，二級(jí)十字頭間隙為 0.25～0.39mm 將4種工況的數(shù)據(jù)按照每4096個(gè)點(diǎn)截?cái)酁橐粋€(gè)樣本的原則，打好標(biāo)簽并進(jìn)行標(biāo)準(zhǔn)化處理。選取的具體數(shù)據(jù)見表1。利用連續(xù)小波變換，將數(shù)據(jù)集的振動(dòng)信號(hào)轉(zhuǎn)換成時(shí)頻圖形成特征向量并按照3：1的比例將其切分成訓(xùn)練集與驗(yàn)證集。最后，將時(shí)頻圖統(tǒng)一調(diào)整尺寸，并進(jìn)行歸一化處理，對(duì)特征標(biāo)簽進(jìn)行one-hot編碼，用于后續(xù)的故障分類試驗(yàn)。以二級(jí)大頭軸承間隙大數(shù)據(jù)為例，其兩個(gè)周期的振動(dòng)信號(hào)時(shí)域圖、頻域圖以及連續(xù)小波變換處理后得到的時(shí)頻圖如圖4所示。

3.2 診斷結(jié)果與分析

經(jīng)過數(shù)據(jù)預(yù)處理后，從生成的時(shí)頻圖中選取1600張作為樣本，其中訓(xùn)練集1200張，驗(yàn)證集400張。將訓(xùn)練集輸入到構(gòu)建好的ViT-Dens-GRU網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練，然后使用訓(xùn)練好的模型對(duì)驗(yàn)證集開展故障分類性能測(cè)試。采用Adam優(yōu)化算法，批量設(shè)置為6，初始學(xué)習(xí)率設(shè)置為0.001，訓(xùn)練輪次設(shè)置為50。

訓(xùn)練過程中，模型在訓(xùn)練集和驗(yàn)證集上的準(zhǔn)確率變化曲線如圖5所示。從圖5可以看出，該模型在訓(xùn)練集與驗(yàn)證集上的曲線變化具有高度的一致性，且訓(xùn)練過程中模型的收斂速度快，沒有發(fā)生過擬合現(xiàn)象。圖5a中，模型在訓(xùn)練集上的準(zhǔn)確率在前5輪次訓(xùn)練中快速提升，約15輪次后基本趨于穩(wěn)定，驗(yàn)證集也隨之在15輪次左右趨于穩(wěn)定，二者準(zhǔn)確率均達(dá)到 99.381% 。圖5b中，訓(xùn)練集損失在前5輪次訓(xùn)練中快速下降，約10輪次后基本趨于穩(wěn)定，驗(yàn)證集也隨之在10輪次左右趨于穩(wěn)定，二者損失均穩(wěn)定在0.032。為降低模型訓(xùn)練中隨機(jī)性的影響，后續(xù)進(jìn)行多次重復(fù)試驗(yàn)，結(jié)果均與上述一致。這表明，筆者所建模型在數(shù)據(jù)集訓(xùn)練方面表現(xiàn)優(yōu)異，通過較少次數(shù)的訓(xùn)練即可獲得高準(zhǔn)確率和低損失，且具有很好的穩(wěn)定性。

壓縮機(jī)4種工況下的混淆矩陣如圖6所示。本試驗(yàn)中，測(cè)試集共包含400個(gè)樣本，每類含100個(gè)樣本，圖中深色對(duì)角線代表每類故障診斷的準(zhǔn)確率?？梢钥闯?，除了第2類存在個(gè)別分類錯(cuò)誤外，其他類別故障預(yù)測(cè)的準(zhǔn)確率均為 99.381% 。這表明，筆者構(gòu)建的ViT-Dens-GRU網(wǎng)絡(luò)模型具有優(yōu)秀的故障分類能力。

為了分析模型在軸承間隙故障診斷中的性能，將ViT-Dense-GRU網(wǎng)絡(luò)模型與其他4種模型（GRU網(wǎng)絡(luò)、DenseNet網(wǎng)絡(luò)、CNN-GRU網(wǎng)絡(luò)、Dense-GRU網(wǎng)絡(luò)）進(jìn)行對(duì)比。采用相同的數(shù)據(jù)預(yù)處理方法，并選用相同的超參數(shù)，得到對(duì)比結(jié)果如圖7所示?？梢钥闯?，與其他4種模型相比，筆者所建模型的準(zhǔn)確率可以達(dá)到 99.381% ，為5種模型中的最高值；損失可降至0.032，為5種模型中的最低值。另外，其他4種模型的準(zhǔn)確率曲線及損失曲線，在前15訓(xùn)練輪次均出現(xiàn)了不同程度的波動(dòng)與振蕩，而筆者所建模型的曲線相對(duì)平穩(wěn)且波動(dòng)較少?？梢?，ViT-Dense-GRU模型具有較高的準(zhǔn)確率、較低的損失和較好的穩(wěn)定性，在軸承間隙故障診斷中性能優(yōu)異。

為驗(yàn)證ViT-Dense-GRU模型在特征提取能力方面的性能，引入t分布隨機(jī)近鄰嵌入算法（t-SNE）。將測(cè)試集原始數(shù)據(jù)和5種模型的輸出特征降維，進(jìn)行可視化之后形成6張圖片并作對(duì)比，結(jié)果如圖8所示?？梢钥闯?，輸人層是對(duì)原始軸承間隙故障振動(dòng)信號(hào)的t-SNE降維可視化，觀察到原始數(shù)據(jù)在未經(jīng)網(wǎng)絡(luò)模型分類計(jì)算時(shí)，雖然在二維空間上的分布是雜亂無章的，但具有一定可分性。在經(jīng)過5個(gè)網(wǎng)絡(luò)模型的分類訓(xùn)練后，數(shù)據(jù)集得到了不同程度的數(shù)據(jù)聚類與分離。其中，4組對(duì)比模型都出現(xiàn)了分類邊界混雜、部分類內(nèi)部存在其他聚類簇、類內(nèi)數(shù)據(jù)點(diǎn)聚合程度不佳等問題。ViT-Dense-GRU模型的t-SNE結(jié)果最好，各類邊界清晰分明，不同類數(shù)據(jù)點(diǎn)間距大，且同類數(shù)據(jù)點(diǎn)聚合程度高。這表明，ViT-Dense-GRU模型的數(shù)據(jù)聚類與分離能力強(qiáng)，在壓縮機(jī)軸承間隙故障診斷中，與其他4種模型相比具有更好的泛化能力。

為驗(yàn)證模型的魯棒性，在壓縮機(jī)數(shù)據(jù)集中添加不同強(qiáng)度的高斯白噪聲，引入信噪比（SNR）來評(píng)價(jià)噪聲的強(qiáng)弱程度，計(jì)算式如下：

其中， P_s 表示原始振動(dòng)信號(hào)的高斯白噪聲信號(hào)能量， P_n 表示所添加的高斯白噪聲信號(hào)能量。

試驗(yàn)中，分別在信噪比為-4、-2、0、2、4dB的5種噪聲條件下，開展ViT-Dense-GRU模型與4種對(duì)比模型的軸承間隙故障識(shí)別測(cè)試，得到準(zhǔn)確率對(duì)比結(jié)果如圖9所示。可以看出，當(dāng)信噪比下降，即噪聲強(qiáng)度逐漸上升時(shí)，測(cè)試的5種模型準(zhǔn)確率均呈現(xiàn)逐步下降的趨勢(shì)。當(dāng)信噪比為4dB時(shí)，5種模型準(zhǔn)確率都達(dá)到 90% 以上，而ViT-Dense-GRU模型的準(zhǔn)確率更是達(dá)到 99.334% ；當(dāng)信噪比為0dB時(shí)，GRU模型與DenseNet模型準(zhǔn)確率已經(jīng)跌至 80% 左右，其他3種模型的準(zhǔn)確率仍維持在 90% 以上，而ViT-Dense-GRU模型依舊維持著 98.057% 的較高準(zhǔn)確率；當(dāng)信噪比為-4dB時(shí)，4種對(duì)比模型的準(zhǔn)確率均已跌至 85% 以下，GRU模型與DenseNet模型甚至已經(jīng)跌至 60% 以下，此時(shí)只有ViT-Dense-GRU模型依I舊保持高于 95% 的準(zhǔn)確率。為降低網(wǎng)絡(luò)模型訓(xùn)練中隨機(jī)性的影響，后續(xù)進(jìn)行多次重復(fù)試驗(yàn)，結(jié)果均與上述一致。綜上，4種對(duì)比模型在強(qiáng)噪聲環(huán)境下，模型性能大幅下降，準(zhǔn)確率受到極大影響，只有ViT-Dense-GRU模型性能受噪聲干擾較小，展現(xiàn)出較高的穩(wěn)定性和準(zhǔn)確率，可見本模型具有更好的魯棒性。

4結(jié)論

4.1筆者所提ViT-Dense-GRU模型，采用ViT-DenseNet與GRU網(wǎng)絡(luò)并行的特征提取模式。經(jīng)過預(yù)處理的數(shù)據(jù)集輸入卷積池化層后，被分成了兩條路徑，一是將圖像輸入ViT-DenseNet模塊中，進(jìn)行軸承振動(dòng)信號(hào)特征提??；二是將圖像輸入GRU網(wǎng)絡(luò)模塊中進(jìn)行時(shí)序特征提取。最后，將兩個(gè)模型提取的特征進(jìn)行融合，將融合后的特征輸入softmax分類層中，輸出分類結(jié)果，完成軸承間隙故障診斷。

4.2采用2D12型天然氣往復(fù)壓縮機(jī)軸承模擬故障數(shù)據(jù)集進(jìn)行性能對(duì)比分析研究。結(jié)果表明，筆者所提模型準(zhǔn)確率高達(dá) 99.381% ，損失降低至0.032，與其他4種對(duì)比模型相比優(yōu)勢(shì)明顯。

4.3對(duì)測(cè)試集數(shù)據(jù)添加-4、-2、0、2、4dB5種信噪比的白噪聲進(jìn)行魯棒性測(cè)試，筆者所提模型均能保持高于 95% 的準(zhǔn)確率，而4種對(duì)比模型隨著噪聲加強(qiáng)，最終準(zhǔn)確率都跌至 85% 以下。

參考文獻(xiàn)

[1]WU W，LI C，ZHU Z，et al.A new method for reciprocating compressor fault diagnosis based on indicator diagram feature extraction[J].Proceedings of the Institution ofMechanical Engineers，Part A：Journal ofPower and Energy，2023，237（6） ：1337-1347.

[2]趙海洋.往復(fù)壓縮機(jī)軸承間隙故障診斷與狀態(tài)評(píng)估 方法研究［D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014

[3］李穎.往復(fù)壓縮機(jī)滑動(dòng)軸承間隙復(fù)合故障診斷方法 研究[D].大慶：東北石油大學(xué)，2019.

[4］陳祝云.基于深度遷移學(xué)習(xí)的機(jī)械設(shè)備智能診斷方 法研究［D].廣州：華南理工大學(xué)，2020.

[5]SHAO H，JIANG H，ZHAO H，et al.A novel deep autoencoder feature learning method for rotating machinery fault diagnosis [J].Mechanical Systems and Signal Processing，2017，95：187-204.

[6]LI Y，XU M，ZHAO H，et al.Hierarchical fuzzy entropy and improved support vector machine based binary tree approach forrolling bearing faultdiagnosis [J]. Mechanism and Machine Theory，2016，98：114-132.

[7]雷亞國(guó)，賈峰，孔德同，等.大數(shù)據(jù)下機(jī)械智能故障診 斷的機(jī)遇與挑戰(zhàn)[J]．機(jī)械工程學(xué)報(bào)，2018，54（5）： 94-104.

[8]HE M，HE D.Deep learning based approach for bearing fault diagnosis[J].IEEE Transactions on Industry Applications，2017，53（3）：3057-3065.

[9]文成林，呂菲亞，包哲靜，等.基于數(shù)據(jù)驅(qū)動(dòng)的微小故 障診斷方法綜述[J]．自動(dòng)化學(xué)報(bào)，2016，42（9）： 1285-1299.

[10]雷亞國(guó)，賈峰，周昕，等.基于深度學(xué)習(xí)理論的機(jī)械 裝備大數(shù)據(jù)健康監(jiān)測(cè)方法［J].機(jī)械工程學(xué)報(bào)， 2015，51（21）：49-56.

[11]KUMAR S，PANDEY A，SATWIK K SR，et al.Deep 1- earning framework for recognition of cattle using muzzle point image pattern [J].Measurement，2018， 116：1-17.

[12]ZHANG T，LIU S，WEI Y，et al.A novel feature adaptiveextraction method based on deep learning for bearing fault diagnosis [J].Measurement，2O21，185： 110030.

[13]CHOUDHARY A，MIAN T，F(xiàn)ATIMA S.Convolutional neural network based bearing fault diagnosis of rotatingmachineusingthermalimages[J]. Measurement，2021，176：109196.

[14]HUANG G，LIU Z，VAN DER MAATEN L，et al.Denselyconnected convolutional networks[C]//Proceedings of the IEEE Conference on Computer Vision and

Pattern Recognition.2017：4700-4708.

（收稿日期：2024-07-25，修回日期：2025-05-12）

Fault Diagnosis Method for the Bearing Clearance of Reciprocating Compressor Bearings Based on ViT-Dense-GRU

WANG Jin-dong，YUAN Yu， ZHAO Hai-yang，WEN Hao-dong （School ofMechanical Scienceand Engineering，NortheastPetroleumUniversity）

AbstractConsidering low recognition rate，insufficient temporal feature extraction and poor robustness of single dense network（DenseNet） while facing complex working conditions of reciprocating compressrs，and which leads to insuficient feature extraction of bearing clearance faults，a ViT-Dense-GRU bearing clearance faults diagnosis model based on DenseNet，Vision Transformer（ViT）and Gated Recurrent Unit （GRU）was proposed. Making use of the bearing clearance fault data set of 2D12 natural gas reciprocating compressor compare and analyze the proposed model with four comparison models shows that，the accuracy of the proposed model is as high as 99.381% ，the loss is reduced to O.O32，and the robustness test effect is the best，which realizes the accurate identification of the bearing clearance fault of the reciprocating compressor.

Key Words reciprocating compressor，bearing，DenseNet，ViT，GRU，fault diagnosis