【技术实现步骤摘要】
端到端基于卷积循环神经网络的轴承健康指标构建方法
本专利技术属于回转机械故障诊断
，具体涉及一种端到端基于卷积循环神经网络的轴承健康指标构建方法。
技术介绍
近年来，随着物联网(IoT)技术和网络协同制造技术的发展，使得研究者能搜集到机械设备的大量状态监测数据,这些数据对于进一步提升智能制造水平显得十分重要。滚动轴承作为回转机械动力装备中关键部件之一，其意外的故障发生很可能会造成巨大的经济损失和灾难性事故。为了解决上述问题，对回转机械轴承部件实行计划性预测性维修显得十分重要，在上述大数据背景下，许多研究学者将注意力转向了基于数据驱动型的故障预示方法研究。总的来说，数据驱动型故障预示方法主要包含3个步骤：(1)故障相关数据采集；(2)健康指标HI构建；(3)失效时间预测。其中，健康指标HI构建的好坏对于定量评估轴承退化程度的准确性产生至关重要的影响。近几年以大数据分析为中心的人工智能技术在轴承健康指标HI构建领域取得了很大的进步，其典型代表就是基于深度学习DL的方法。基于DL的HI构建方法主要分成两类，第一类是基...
【技术保护点】
1.一种端到端基于卷积循环神经网络的轴承健康指标构建方法，其特征在于，包括以下步骤：/n1)搭建卷积循环神经网络模型CRNN：卷积循环神经网络模型CRNN的输入为被标准化的原始轴承振动信号数据，卷积循环神经网络模型CRNN包含两个组件，一个组件是用来提取局部特征的卷积神经网络CNNs，由交替堆叠的卷积层和池化层组成，为了加速网络的训练过程和收敛速度，在卷积神经网络CNNs中加入了BatchNorm层和残差连接结构；卷积神经网络CNNs包含4组残差单元，每一个残差单元包含有2个卷积层且每个残差单元对输入的数据均进行降采样，卷积神经网络CNNs的第一个卷积层采用预激活设计，整个...
【技术特征摘要】
1.一种端到端基于卷积循环神经网络的轴承健康指标构建方法，其特征在于，包括以下步骤：
1)搭建卷积循环神经网络模型CRNN：卷积循环神经网络模型CRNN的输入为被标准化的原始轴承振动信号数据，卷积循环神经网络模型CRNN包含两个组件，一个组件是用来提取局部特征的卷积神经网络CNNs，由交替堆叠的卷积层和池化层组成，为了加速网络的训练过程和收敛速度，在卷积神经网络CNNs中加入了BatchNorm层和残差连接结构；卷积神经网络CNNs包含4组残差单元，每一个残差单元包含有2个卷积层且每个残差单元对输入的数据均进行降采样，卷积神经网络CNNs的第一个卷积层采用预激活设计，整个卷积层中卷积核的大小均为16；另外一个组件用来提取带有时间序列信息的全局特征，并循环连接上述局部特征的循环神经网络，采用长短期记忆网络LSTM实现，长短期记忆网络LSTM在每一个时刻的输入为卷积神经网络CNNs输出的特征图上的每一个特征点，时间长度等于特征图的维度；长短期记忆网络LSTM在t时刻的输出通过以下公式计算：
ft＝σ(Wf·[ht-1,xt]+bf)(1)
it＝σ(Wi·[ht-1,xt]+bi)(3)
ot＝σ(Wo·[ht-1,xt]+bo)(5)
ht＝ot⊙tanh(Ct)(6)
其中，ht-1和xt分别代表长短期记忆网络LSTM在t-1时刻的隐层状态和t时刻的输入特征；Wf，Wi和Wo分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的权重参数；bf，bi和bo分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的偏置参数；ft，it和ot分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的激活值；激活函数σ为sigmoid函数；符号tanh表示双曲正切函数；符号⊙和·分别表示逐元素乘法和矩阵乘法；表示长短期记忆网络LSTM新学习到的特征信息，WC和bC分别为相对应的权重参数和偏置参...
【专利技术属性】
技术研发人员：徐光华，陈龙庭，张四聪，况佳臣，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。