基于门控循环单元网络的轴承故障识别方法技术

本发明专利技术针对轴承故障难以诊断的现状，设计了高精度识别方法。该方法创新性地运用基于门控循环单元网络对历史加速度传感器的时序数据进行处理，从而进行故障的预测及诊断。方法由PYTHON3.6.5的Keras工具搭建，包括以下步骤：S1:将加速度传感器的时间序列数据划分为训练集(包含T组数据)、验证集和测试集；S2:将训练集的数据输入门控循环单元网络中进行训练，直到网络收敛；S3:将网络在验证集上进行参数优化；S4:将训练好的模型用于测试集上进行模型的评价，得到高准确率效果；S5:将模型保存应用于实际情况中。该方法为旋转机械的诊断提供了一种新的解决方案，进而在机械设备诊断领域进行广泛应用。

【技术实现步骤摘要】
基于门控循环单元网络的轴承故障识别方法
本专利技术涉及一种基于门控循环单元网络的轴承故障识别方法，属于旋转机械的故障诊断领域。
技术介绍
旋转机械是工业生产生活中最常用的机械设备种类之一，因而对旋转机械设备的故障检测在实际应用情况中具有重大意义。轴承作为汽车构造的重要部件之一，对汽车的承载能力、工作性能和汽车寿命有着显著影响。但是传统方法往往依赖传统手动提取特征的方法，这将需要大量的先验知识。由于手动提取特征过程与分类的过程分离，难以判断特征提取过程对分类过程的影响，且效果有待进一步提高。常见的方法主要分为理论的方法和基于统计的方法。基于统计学的分类方法越来越受到人们的重视，因为这些方法本身不需要过多的先验知识，并且可以高效准确地得到输入和输出之间的映射关系，例如人工神经网络、聚类、回归等方法。神经网络算法能够实现自动识别，无需预先提取故障特征。此外，基于长短期记忆网络(LSTM)的方法也被应用于轴承故障识别领域。为了解决传统循环神经网络的梯度消失问题，LSTM通过三个门(输入门、输出门和遗忘门)能够连续地实现传送时序信本文档来自技高网...

【技术保护点】
1.一种基于门控循环单元网络的轴承故障识别方法，其特征在于，主要包括以下步骤：/n步骤1：数据采集后进行预处理，得到加速度传感器时序数据，并划分数据集为训练集、验证集和测试集；/n步骤2：将训练集的数据输入门控循环单元网络中进行训练，直到网络收敛；/n步骤3：将验证集的数据输入网络进行验证，并调节网络的参数，最终得到最优的参数；/n步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际旋转机械诊断环节。/n

【技术特征摘要】
1.一种基于门控循环单元网络的轴承故障识别方法，其特征在于，主要包括以下步骤：
步骤1：数据采集后进行预处理，得到加速度传感器时序数据，并划分数据集为训练集、验证集和测试集；
步骤2：将训练集的数据输入门控循环单元网络中进行训练，直到网络收敛；
步骤3：将验证集的数据输入网络进行验证，并调节网络的参数，最终得到最优的参数；
步骤4：将最终模型进行保存，输入测试集进行识别效果测试，最终模型可用于实际旋转机械诊断环节。


2.根据权利要求1所述基于门控循环单元网络的轴承故障识别方法，其特征在于，所述步骤1的主要步骤如下：
步骤1.1：数据采集：实验采用SKF6205轴承，通过电火花加工引入故障，故障直径分别为0.18mm、0.36mm和0.53mm，采集了正常状态、滚珠故障、内圈故障和外圈故障4种振动信号数据；
步骤1.2：数据预处理：对指标历史时序数据进行均值法缺失值填补，异常值处理和标准化后得到最终的历史时序数据集；
步骤1.3：数据集划分：将历史时序数据集的划分为：训练集包含1900条数据、验证集包含500条数据和测试集包含500条数据。


3.根据权利要求1所述基于门控循环单元网络的轴承故障识别方法，其特征在于，所述步骤2的主要步骤如下：
步骤2.1：搭建门控循环单元网络，包含输入层、门控循环单元层、全连接层和输出层。其中，需要调节的参数为每层的门控循环单元的个数、Dropout值、优化器选择和全连接层的神经元个数；
步骤2.2：初始化门控循环单元的隐藏状态，将数据输入；
步骤2.3：计算当前神经元的重置...

【专利技术属性】
技术研发人员：徐广耀，邓雅馨，董育霖，吴子阳，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50