一种基于双向记忆循环神经网络的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，针对现有滚动轴承故障诊断方法没有考虑特征提取后数据的逻辑结构单一的特性和在处理故障数据时不能从数据整体判断故障类型的缺陷，首先，获取程序数据样本，对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，再使用时频域特征提取算法得到512个时频域特征向量；然后，构建改进的双向记忆型循环神经网络故障诊断模型，采用简单化设计的思想，所设计的记忆型循环神经网络包括遗忘门、输入门和元胞状态，再使用样本数据训练神经网络权值参数，经过训练迭代，生成可映射轴承数据和故障类型间联系的模型；最后使用此模型进行故障分析，从而实现滚动轴承故障的精确诊断。

A Fault Diagnosis Method of Rolling Bearing Based on Bidirectional Memory Cyclic Neural Network

【技术实现步骤摘要】
一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
本专利技术涉及一种滚动轴承故障诊断方法，具体是一种基于双向记忆循环神经网络的滚动轴承故障诊断方法。
技术介绍
随着现代工业和科学技术的迅速发展，生产设备逐渐向高速化、自动化及智能化发展，而设备元器件老化、应用环境的变化等问题往往是不可避免的，由于部件的老化会导致机械设备运行时发生各种故障，造成巨大的经济损失，因此采集海量数据用于设备状态监测，同时研究和利用创新性理论和方法，从设备大数据中高效挖掘信息进行设备状态故障诊断具有重大的意义。滚动轴承是转动类机械的核心部件，对于滚动轴承的故障检测是转动类机械安全运行的重要部分，因此对滚动轴承的健康状况分析将直接影响机械的性能、稳定性及生命周期的长度。传统故障诊断模型的设计并没有考虑轴承数据采集时的非稳态特性，只有在特征提取时才考虑了轴承的非稳态的特点，而特征提取后数据又具有逻辑结构单一的特点，此时需要针对此特点设计一种轴承故障诊断方法，以提高滚动轴承的故障诊断准确度，同时，传统方法由于结构的限制，单次处理数据的长度有限(需要将一个样本数据分成多个批次进行处理)，不能完全结合数据整体来判断故障类型。
技术实现思路
针对上述现有技术存在的问题，本专利技术提供一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，不仅能对非平稳特性数据和逻辑结构单一数据进行处理，而且能结合数据整体来判断故障类型，从而有效提高滚动轴承的故障诊断准确度。为了实现上述目的，本专利技术采用的技术方案是：一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，具体步骤为：A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的循环神经网络内部单元间的信息交互通过不断更新的长时记忆Ct维持，Ct包含过去和未来的数据信息；改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1-ft；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；ft＝σ(Wf[Ct-1，st]+bf)(1)it＝1-ft(2)ht＝softsign(Ct)(5)其中，st为输入，Wf和WC为权重系数，bf和bC为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，Ct-1为上一时刻的长时记忆值，ht为网络输出值；公式(1)由上一时刻的长时记忆值Ct-1和输入st通过sigmoid激活函数的作用产生遗忘门ft，用于控制所通过的长时记忆的比率；公式(2)产生的输入门it用于控制输入数据通过的比率，输入门和遗忘门采用对偶的设计；公式(3)通过softsign激活函数的作用由输入st产生用于更新长时记忆Ct的候选值公式(4)为更新长时记忆Ct的过程，遗忘门的输出结果ft与旧的长时记忆Ct-1相乘，用以遗忘信息，输入门的输出it与候选输入信息相乘得到待输入的信息，二者之和为更新后的长时记忆值Ct；公式(5)产生的ht为神经网络单元的输出；前向循环神经网络和后向循环神经网络的输出通过一个全连接的输出层，将输出信息通过softmax函数获得故障的类别，从而完成改进的双向记忆型循环神经网络故障诊断模型的构建；将训练集输入循环神经网络故障诊断模型并进行模型训练，每训练完200次，输入验证集对故障诊断模型进行一次故障诊断准确度验证；若故障诊断准确度达到设定的准确度(可设置最大准确度为100％)，则停止训练并保存当前模型参数作为循环神经网络故障诊断模型的参数；若故障诊断准确度未达到设定的准确度，则调整模型参数后继续重复上述训练及验证过程，按照设定的循环次数进行多次训练后，若每次验证的故障诊断准确度均未达到设定的准确度，则以每次验证数据中故障诊断准确度最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练；D、采用双向记忆型循环神经网络故障诊断模型进行故障诊断：通过各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，振动加速度数据经过标准化预处理和特征提取分解处理后，将该处理后的数据输入双向记忆型循环神经网络故障诊断模型，双向记忆型循环神经网络故障诊断模型进行分析处理后，得出故障诊断分析结果。进一步，所述故障诊断结果包括诊断正常状态、轴承内圈故障、轴承外圈故障、滚动体故障。进一步，所述循环次数的最大值为10000。由于轴承的速度和负载条件随时间变化，导致轴承振动的动态性，从而时轴承的加速度振动数据具有非平稳特性和逻辑结构简单性；本专利技术通过加速度传感器获取滚动轴承水平和垂直两个方向的振动加速度数据，再将采集的数据进行数据预处理，包括数据集的标准化和特征提取两个部分的处理，由于所有的深度学习估计算法都要求数据单个特征与标准正态分布数据(均值为零，单位方差为高斯分布)相似，此时估计效果表现最好，所以首先对数据样本进行标准化处理，使其符合标准正态分布；特征提取处理可以得到样本的时频特征，时域特征能够体现轴承故障时的信号波动，采用的时频域特征提取方法是小波包变换，能够对信号的高频部分和低频部分提供精细的分解，这种分解既无冗余，也无疏漏，能够对信号进行时频局部化分析。然后，将数据预处理后得到的特征数据分成两部分，分别为训练样本和验证样本，使用训练样本不断训练改进的双向记忆循环神经网络故障诊断模型，训练的过程主要是不断调整模型内部参数，训练模型的最终目的是能够由轴承数据映射到故障类型，验证数据集负责阶段化验证故障诊断模型的效果，来判断是否需要结束训练过程并保存故障诊断模型；考虑到特征提取后特征数据结构单一的特点，改进的记忆循环神经网络与标准长短时记忆循环神经网络(LSTM)的区别是取消了短时记忆和输出门的设计，同时，内部激活函数采用softsign函数，与现有标准长短时记忆循环神经网络的内部激活函数tanh函数相比，softsign函数更不容易饱和，softsign函数具有更平坦的曲线与更慢的下降导数，这些特性能够表明它具有更高效地学习能力；最后将实时检测的轴承加速度振动数据输入故障诊断模型内进行处理，进而故障诊断模型判断当前轴承是否发生故障及故障类型。本专利技术通过对非平稳特性数据采用改进的循环神经网络进行处理，而且故障诊断模型能结合数据整体来判断故障类型，从本文档来自技高网...

【技术保护点】
1.一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，该方法的具体步骤为：A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1‑ft；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；ft＝σ(Wf[Ct‑1，st]+bf)            (1)it＝1‑ft                  (2)...

【技术特征摘要】
1.一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，该方法的具体步骤为：A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1-ft；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；ft＝σ(Wf[Ct-1，st]+bf)(1)it＝1-ft(2)ht＝softsign(Ct)(5)其中，st为输入，Wf和WC为权重系数，bf和bC为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，Ct-1为上一时刻的长时记忆值，ht为网络输出值；公式(1)由上一时刻的长时记忆值Ct-1和输入st通过sigmoid激活函数的作用产生遗忘门ft，用于控制所通过的长时记忆的比率；公式(2)产生的输入门it用于控制输入数据通过的比率，输入门和遗忘门采...

【专利技术属性】
技术研发人员：邱大伟，谭雯雯，刘子辰，周一青，石晶林，
申请(专利权)人：洛阳中科晶上智能装备科技有限公司，
类型：发明
国别省市：河南,41