一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法技术

本发明专利技术公开了一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，包括如下步骤：获取轴承运行时的原始振动信号，分析选择出一个最优的样本长度；生成样本，使用主成分分析法对所有的样本进行降维；标准化降维后的新样本，定义故障类型，根据新样本划分训练集和验证集；构建并调整双向长短时记忆网络模型，采用训练集对双向长短时记忆网络模型进行训练；利用训练好的双向长短时记忆网络模型，根据验证集进行轴承的故障预测。

【技术实现步骤摘要】
一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法
本专利技术属于轴承故障诊断领域，具体涉及一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法。
技术介绍
滚动轴承作为旋转机械必不可少的关键件，在各个领域中得到广泛的应用，它的工作状态与整个旋转机械的生命周期存在紧密的联系，滚动轴承是机械设备中极其常见且极其易损坏的零件之一，如果未能及时识别故障，不仅会给工厂带来巨大的经济损失，还会造成机器的损伤甚至是人员伤亡。因此，在实际的工作和生产中，为保证安全和降低成本，监测滚动轴承的工作状态具有现实的理论和实际意义。滚动轴承在运行过程中会产生相应的振动信号，振动信号能够反映滚动轴承的健康状态。由于轴承在不同状态下所产生的振动信号有所不同，所以通过产生的振动信号可以对滚动轴承的状态进行诊断，有效降低故障造成的损失。对滚动轴承运行过程进行监测和记录，为后期分析故障提供相应的数据支持，从而避免重大故障的发生。在工业智能化的进程中，随着测控技术的快速发展，设备的数据也随之增大。数据量从小批量数据转换为海量数据，维度从单本文档来自技高网...

【技术保护点】
1.一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，包括如下步骤：/nS1：获取轴承运行时的原始振动信号，分析选择出一个最优的样本长度；/nS2：生成样本，使用主成分分析法对所有的样本进行降维；/nS3：标准化降维后的新样本，定义故障类型，根据新样本划分训练集和验证集；/nS4：构建并调整双向长短时记忆网络模型，采用训练集对双向长短时记忆网络模型进行训练；/nS5：利用训练好的双向长短时记忆网络模型，根据验证集进行轴承的故障预测。/n

【技术特征摘要】
1.一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，包括如下步骤：
S1：获取轴承运行时的原始振动信号，分析选择出一个最优的样本长度；
S2：生成样本，使用主成分分析法对所有的样本进行降维；
S3：标准化降维后的新样本，定义故障类型，根据新样本划分训练集和验证集；
S4：构建并调整双向长短时记忆网络模型，采用训练集对双向长短时记忆网络模型进行训练；
S5：利用训练好的双向长短时记忆网络模型，根据验证集进行轴承的故障预测。


2.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S1中最优样本长度的分析选择方法为：
A1：根据原始振动信号中一个周期信号的数据点数量NT和样本的个数NS，确定样本长度NSL范围，其中，采集的原始振动信号所有数据点的数量为N，NSL范围如下所示：



A2：根据样本长度NSL的范围大小确定不同的搜索策略，即在样本长度的范围内获取一个样本长度的值NSV；
A3：重复步骤S2到步骤S4，通过评价准则，直到获取最优的样本长度NSV。


3.根据权利要求2所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤A3中的评价准则包括针对样本长度范围小和样本长度范围大的两种评价准则，分别如下：
针对样本长度范围小的评价准则：
Nsv＝argmax(A(n)，A(n-1))
其中，argmax(A(n)，A(n-1))表示：在两次迭代完成后，保留模型中准确率高的网络，此时模型属于局部最优，保留此时的样本长度NSV；直到遍历结束后，得到全局最优的模型，并保留与之对用的样本长度NSV；
针对样本长度范围大的评价准则：
使用随机搜索策略在样本长度范围内搜索，获得样本长度值，在样本长度值中遍历，如果满足停止条件，则停止搜索，获取模型，停止条件为：
A(Nsv)>θ
其中，A(Nsv)表示：当原始信号自动分割成长度为NSV的样本时，将验证样本集放进模型验证得到的准确率；θ表示：验证准确率的阈值，即模型的验证准确率高于给定的阈值时停止，保留此时的样本长度NSV。


4.根据权利要求1所述的一种基于主成分分析和深度双向长短时记忆网络的轴承故障预测方法，其特征在于，所述步骤S2中对于所有的样本进行降维的具体过程为：
B1：给定轴承振动信号T∈Rk×n，其中，X为k行n列的样本矩阵，矩阵中k表示振动幅值的个数，n表示样本个数，即n＝NS，计算所有样本的均值：



其中，i＝1,2,…,k；j＝1,2,…,n；
B2：计算样本的标准差：



其中，i＝1,2,3,…,k；j＝1,2,3,…,n；
B3：计算样本的标准化数据：



B4：根据样本的标准化数据计算协方差矩阵：



B5：根据协方差矩阵，利用奇异值分解计算出特征值和对应的特征向量：
[U,S,V]＝SVD(ε)



其中，λ1,λ2,λ3,…,λn是计算出的特征值；
U＝[u(1)u(2)u(3)……u(n)]
其中，u(1)，...

【专利技术属性】
技术研发人员：张胜文，杨凌翮，程德俊，张辉，方喜峰，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：江苏;32