一种基于深度学习的主轴特性试验台状态识别及预测方法技术

本发明专利技术涉及一种基于深度学习的主轴特性试验台状态识别及预测方法，其步骤：采集主轴特性试验台运行过程中的振动信号，对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量进行CNN特征学习，得到训练特征样本；训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类得到预测特征样本，实现运行状态的预测；通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。本发明专利技术具有快速的响应性能和跟踪性能。

State recognition and prediction method of spindle performance test bed based on deep learning

The invention relates to a method of identifying and predicting the state of the spindle characteristic test bench based on depth learning. The step is to collect the vibration signals during the operation of the spindle characteristic test bench, and after normalizing the vibration signal, the EEMD is used to get the IMF component after reducing the noise of the normalized vibration signal, and the obtained IMF points are obtained. The reduction signal is formed to form the reduction signal, and the reduction signal is used as the input sample of the CNN. After extracting the characteristic vector of the reduction signal, the feature vectors are learned and the training feature samples are obtained. The training feature samples are classified by the multi layer LSTM coding time information and the prediction feature samples are classified by the Softmax logic return. The current running state is predicted, the Softmax logic regression is carried out through the training feature samples and the prediction feature samples, and the fault types of the rotor rotary test bench system are classified and determined on the logistic regression layer, and the state recognition is realized. The invention has fast response performance and tracking performance.

【技术实现步骤摘要】
一种基于深度学习的主轴特性试验台状态识别及预测方法
本专利技术涉及一种机械设备运行状态的诊断和预测方法，特别是关于一种基于深度学习的主轴特性试验台状态识别及预测方法。
技术介绍
机械设备运行状态的诊断和预测对现代企业的生产效率具有十分重要的意义，有利于对设备进行基于状态的维修(conditionbasedmaintenance，CBM)和使用寿命的预测(RemainingUsefulLife，RUL)，能大幅度提高设备的使用效率。机械系统的监测包括构建系统的数学模型和基于信号采集分析两大类，由于实际工业环境的复杂和噪声污染，建立准确的机械系统数学模型是非常困难的；随着传感器技术、计算机系统运算能力以及人工智能算法的不断发展，基于信号采集分析表现出高效和灵活性。传统的信号分析系统包括：多域特征提取(方差、偏度、峰度、频谱偏差、小波系数等)，敏感特征选择，故障模式识别以及时间序列数据的预测(马尔可夫模型，卡尔曼滤波器和支持向量机SVM等)。针对试验台转子系统的正常、碰磨、不平衡三种类型的状态诊断及预测，王红军等做了大量的研究工作，近年来提出了基于轴心轨迹流行拓扑空间得到可视化的流形敏感特征，采用支持向量机进行故障识别诊断；采用时域内的振动烈度和频域内的频率分量同时作为机械系统状态预测的敏感因子的基于支持向量机的组合预测模型。针对小样本数据集具备很高的识别率和预测精度，然而小样本所包含的数据信息可能存在偏差或者信息不足。深度学习是一种可用于识别对象的技术，在图像理解领域有大量的研究。深度学习方法通常具有几个甚至数百个隐藏层。从每个层，可以提取和收集包含故障信息的特征，然后用作后续层的输入。输入与输出之间具备从低维度特征转换为高维度抽象表示的非线性映射，克服了对提取和选择适用特征的诊断和预测专业知识。而深度学习理论在高端装备运行状态诊断及健康评估预测的应用，考虑到信号的采集通常被表征为非固定的，并且受到设备以及传输路径中其他部件信号的干扰和噪声影响，有益信息可能被掩盖，如何从被污染的信号中获取有用的信息对于有效的故障诊断和状态预测至关重要。
技术实现思路
针对上述问题，本专利技术的目的是提供一种基于深度学习的主轴特性试验台状态识别及预测方法，该方法对降噪后的振动信号具有较强的特征提取能力和泛化能力，测试准确率较高；LSTM(双向长短时记忆循环神经网络)对不同状态下的时域编码信息进行目标值预测具有快速的响应性能和跟踪性能。为实现上述目的，本专利技术采取以下技术方案：一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于包括以下步骤：1)通过现有数据采集设备采集主轴特性试验台运行过程中的振动信号，并对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；2)还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量，并进行CNN特征学习，得到训练特征样本；3)训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类，得到预测特征样本，实现运行状态的预测；4)通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。进一步，所述步骤2)中,采用深层卷积神经网络获取特征向量的过程如下：2.1)定义两个数据集S和Y，给定一个训练样本为S和Y的联合分配，n为数据样本的长度，m为数据的类型数，定义监督学习的映射关系并引入平方误差损失函数；2.2)假设存在一个集合F使得S最小化到Y；数据集S首先进入卷积层，每个后续层si从卷积中通过激励函数ρ从前一层si-1得到；当前卷积层l的特征输出由前一层l-1的特征输出作为输入通过卷积得到：式中，Mj表示选择的输入特征的集合；表示当前卷积层l的第j个通道的特征输出；表示前一层l-1的第i个特征输入；表示当前层l的第j个通道的激励函数ρ的偏置；表示当前层l的第j个通道的激励函数ρ的权重；2.3)池化层紧跟在卷积层之后，卷积层作为池化层的输入层，池化层的特征单元与卷积层的局部接受域相连，形成唯一对应关系；池化层的池化方法为最大池化；2.4)将最后一层池化得到的所有特征图拼接成一维特征作为全连接层的输入，全连接层的输出同样通过对输入加权求和并通过激励函数的响应得到，最后输出特征向量，并采用Softmax逻辑回归进行状态分类。进一步，所述步骤2.1)中，平方误差损失函数Ei：其中，表示第i个样本的第k维，表示第i个样本第k维对应网络输出。进一步，所述步骤2.2)中，激励函数ρ采用sigmoid函数将输出压缩到[0,1]，将训练集经过归一化处理使其均值为0、方差为1。进一步，所述步骤2.3)中，采用的最大池化函数为：其中，表示当前卷积层l的第i个通道的特征输出，β为权重系数，b为偏置项；down()为池化函数，通过滑动窗口对输入特征图划分成多个不重叠的特征块，取特征块中的最大值。进一步，所述步骤2)中，CNN特征学习问题实际上是计算梯度和权值更新问题，采用BP算法实现梯度计算进而更新权值，反向传播回来的误差看做是每个神经元的基的灵敏度，定义如下：式中，δ表示基的灵敏度即梯度；表示期望误差E对一个节点全部输入u的导数，即基的灵敏度看作是期望误差E对一个节点全部输入u的导数；反向传播算法的关键点是从高一层向低一层传播，故计算第l层的梯度δl和输出层L的梯度δL：其中，表示每个元素相乘；Wl+1表示高一层l+1的权值向量；ρ′表示当前层l激励函数ρ的导数；ul表示当前层l的特征输入；yn表示输入数据样本；tn表示网络输出数据样本；δl+1表示高一层l+1的梯度；通过使用δ规则进行权值更新，对于第l层，误差对于该层每一个权值的导数是该层的输入与该层的灵敏度的叉乘：其中，η是学习率，对于每一个权值(W)ij都有一个特定的学习率ηij；Wl表示当前层l的权值向量；sl-1表示前一层l-1的特征向量。进一步，所述步骤3)中，通过LSTM对运行状态预测过程包括以下步骤：3.1)在每一个时间步，输入门、输出门和遗忘门被用来控制捕获远程依赖关系的序列传递信息，LSTM框架中定义时间步长为t，st为当前数据序列输入，ct为记忆单元，输入门it，遗忘门ft，输出门ot，隐藏状态ht更新方程如下：it＝ρ(Wist+Viht-1+bi)ft＝ρ(Wfst+Vfht-1+bf)ot＝ρ(Wost+Voht-1+bo)ct＝ft⊙ct-1+it⊙tanh(Wcst+Vcht-1+bc)ht＝ot⊙tanh(ct)其中，W和V为权重矩阵，b为偏置向量；ρ为sigmoid激励函数，⊙表示元素乘积；终端时间步长的输出用于预测回归softmax逻辑回归层的输出，即预测输出式中，Wr表示权值空间；表示终端时间步长T的第i个元素的隐藏状态；3.2)将预测的状态值与真实值进行比较，引入平方误差损失函数作为模型损失：多层LSTM中，当前层的输入为前一层的输出，最后一层为全连接层：oi＝ρ(Wihi+bi)输出实现对时间序列信息的预测；其中，Wi为第i层的权值矩阵；oi表示LSTM第i层的输出；bi表示第i层的偏置项；hi表示LSTM第i层对应的输入。本专利技术由于采取以上技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于包括以下步骤：1)通过现有数据采集设备采集主轴特性试验台运行过程中的振动信号，并对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；2)还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量，并进行CNN特征学习，得到训练特征样本；3)训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类，得到预测特征样本，实现运行状态的预测；4)通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。

【技术特征摘要】
1.一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于包括以下步骤：1)通过现有数据采集设备采集主轴特性试验台运行过程中的振动信号，并对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；2)还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量，并进行CNN特征学习，得到训练特征样本；3)训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类，得到预测特征样本，实现运行状态的预测；4)通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。2.如权利要求1所述的一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于：所述步骤2)中,采用深层卷积神经网络获取特征向量的过程如下：2.1)定义两个数据集S和Y，给定一个训练样本为S和Y的联合分配，n为数据样本的长度，m为数据的类型数，定义监督学习的映射关系并引入平方误差损失函数；2.2)假设存在一个集合F使得S最小化到Y；数据集S首先进入卷积层，每个后续层si从卷积中通过激励函数ρ从前一层si-1得到；当前卷积层l的特征输出由前一层l-1的特征输出作为输入通过卷积得到：式中，Mj表示选择的输入特征的集合；表示当前卷积层l的第j个通道的特征输出；表示前一层l-1的第i个特征输入；表示当前层l的第j个通道的激励函数ρ的偏置；表示当前层l的第j个通道的激励函数ρ的权重；2.3)池化层紧跟在卷积层之后，卷积层作为池化层的输入层，池化层的特征单元与卷积层的局部接受域相连，形成唯一对应关系；池化层的池化方法为最大池化；2.4)将最后一层池化得到的所有特征图拼接成一维特征作为全连接层的输入，全连接层的输出同样通过对输入加权求和并通过激励函数的响应得到，最后输出特征向量，并采用Softmax逻辑回归进行状态分类。3.如权利要求2所述的一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于：所述步骤2.1)中，平方误差损失函数Ei：其中，表示第i个样本的第k维，表示第i个样本第k维对应网络输出。4.如权利要求2所述的一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于：所述步骤2.2)中，激励函数ρ采用sigmoid函数将输出压缩到[0,1]，将训练集经过归一化处理使其均值为0、方差为1。5.如权利要求2所述的一种基于深度学习的主轴特性试验台状态识别及预测方法，其特征在于：所述步骤2.3)中，采用的最大池化函数...

【专利技术属性】
技术研发人员：王红军，付胜华，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11