基于注意力LSTM的配对轴承智能质量识别方法技术

本发明专利技术公开了一种基于注意力LSTM的配对轴承智能质量识别方法，包括如下步骤：步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；步骤二：对采集得到的信号进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块，并在残差块后设有SE注意力模块；步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征；步骤五：利利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。以识别配对轴承的质量。以识别配对轴承的质量。

【技术实现步骤摘要】
基于注意力LSTM的配对轴承智能质量识别方法


[0001]本专利技术属于机械系统智能诊断
，具体的为一种基于注意力LSTM的配对轴承智能质量识别方法。

技术介绍

[0002]在当今国内外机械行业中，滚动轴承是广泛应用于相对运动和相互作用的机械设备，具备支撑承载、减排节能、消振降噪等功能。在实际的使用过程中,为了能够承受来自两个方向的轴向力并提高承载能力,部分滚动轴承(如角接触球轴承)通常采用配对(如背对背、面对面、串联配对)或多列组合的方式使用，这类轴承统称为配对轴承。
[0003]配对轴承的预紧装配是指在轴承装配后，通过某种方式在轴承内圈或外圈上沿轴向施加一恒定的力(即预紧力)，使内外圈沿轴向产生相对预紧位移，一方面可消除轴承内部的游隙；另一方面又可同时迫使滚动体和内、外圈紧密接触，并在接触处产生一定的弹性变形使接触面积增大，参与受力的滚动体的数量增加，从而提高轴承的刚度、旋转精度以及使用寿命，也相应提高轴系的临界转速。因此在机械行业中，预紧装配的重要性不言而喻。
[0004]随着机械行业发展，现代工业对配对轴承的质量(使用寿命、支承刚度、旋转精度等)也提出了更高的要求。以配对轴承为研究对象进行质量识别，对机械工业生产便具有了更重要的意义。然而，在现有技术中，工厂及个人在对配对轴承进行质量识别时，多用查表法(内部游隙大小范围)和经验判别法(观察滚动体与内外圈接触是否良好等)。这些方法往往不能科学有效地对配对轴承的质量进行识别，致使配对轴承的检测效率低下。同时，在现有的诊断识别方法中，操作者的判断会有一定的主观性参杂在内，可能导致对配对轴承的质量误判，致使轴承在短时间的应用过程中便损坏，引发机器故障，从而影响机器的工作进度，在检查机器故障、更换配对轴承等方面浪费大量人力物力与时间。综合以上分析，现有技术在配对轴承的质量识别的领域方面仍不成熟，还处于有待开发的地带。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于注意力LSTM的配对轴承智能质量识别方法，能够识别配对轴承的质量。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于注意力LSTM的配对轴承智能质量识别方法，包括如下步骤：
[0008]步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；
[0009]步骤二：对采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；
[0010]步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块以防止过拟合或梯度消失，并在残差块后设有SE注意力模块对通道间关系实现显式建模，通过生成的注意力图对特征进行重校准；
[0011]步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配
对轴承的型号特征；
[0012]步骤五：利用全连接层将LSTM神经网络输出的数据映射到负无穷至正无穷范围，而后利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。
[0013]进一步，所述步骤二中，采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换为尺寸为32
×
32
×
3的二维数据。
[0014]进一步，所述步骤三中，数据经残差块进行两次3
×
3的卷积后，输出的结果与两次卷积前的数据直接映射相加，为：
[0015]x
l+1
＝x
l
+F(x
l
,W
l
)
[0016]其中，x
l+1
表示第l+1层的特征输入；F表示第l层的残差函数映射；x
l
表示第l层的特征输入；W
l
表示第l层的参数。
[0017]进一步，数据进入SE注意力模块后，先进行压缩操作，而后进行激励操作；
[0018]压缩操作时，沿空间维度来进行特征压缩，将每个二维的特征通道变作一个实数z，所述实数z具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，可表示为：
[0019][0020]其中，z
C
∈R
C
是对特征U在空间维度H
×
W执行全局平均池化后的结果；F
sq
表示特征压缩函数；u
C
表示通道特征映射的卷积和，其尺寸为H
×
W
×
C；H表示特征U的长度；W表示特征U的宽度；i表示特征对应的行；j表示特征对应的列；
[0021]激励操作时，通过参数W来为每个特征通道生成权重，其中参数W被学习用来显式地建模特征通道间的相关性，经过两个全连接层后，得到两个参数W1、W2，表示为：
[0022]s＝F
ex
(z,W)＝σ(W2δ(W1z))
[0023]其中，σ表示Sigmoid函数；δ表示ReLU函数，r为超参数；s表示门控机制的输出；F
ex
表示激励操作函数；z表示上一步特征压缩操作的输出值。
[0024]进一步，将输出的权重通过乘法逐通道加权到先前的特征上，——对U每个位置上的H
×
W上的值都乘上对应通道的权值，完成在通道维度上的对原始特征的重标定，可表示为：
[0025][0026]最终得到SE注意力模块的最终输出为：
[0027][0028]其中，表示第C个通道输出的特征值；F
scale
表示重标定函数；u
C
表示尺寸为H
×
W的特征映射；s
C
表示第C个通道的门控机制的输出；表示最终输出特征；表示第i个通道输出的特征值；U表示转换输出特征。
[0029]进一步，数据经残差块和SE注意力模块堆叠两次后，每层卷积核尺寸为3
×
3尺寸，输出数据的尺寸为8
×8×
128。
[0030]进一步，将经图卷积神经网络输出的数据变形为尺寸为64
×
128的数据后，再输入
到LSTM神经网络。
[0031]本专利技术的有益效果在于：
[0032]本专利技术基于注意力LSTM的配对轴承智能质量识别方法，由通过带有通道SE注意力模块的多层卷积神经网络(Convolutional Nerual Network，CNN)和长短期记忆网络(Long Short
‑
TermMemory，LSTM)构建得到神经网络模型，可将配对轴承预紧过程中的三种一维信号：预紧力信号P、位移信号S和摩擦扭矩信号M，经过小波转换后作为神经网络的输入，通过该模型提取特征后输出，最后利用softmax函数得到轴承是否符合要求的概率，以此判断质量的合格与否，即能够满足配对轴本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：包括如下步骤：步骤一：采集配对轴承的预紧力信号P、位移信号S和摩擦扭矩信号M；步骤二：对采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换处理，得到可作为图卷积神经网络输入数据的二维数据；步骤三：将得到的二维数据输入图卷积神经网络以提取数据空间特征，在图卷积神经网络中设置残差块以防止过拟合或梯度消失，并在残差块后设有SE注意力模块对通道间关系实现显式建模，通过生成的注意力图对特征进行重校准；步骤四：将经图卷积神经网络输出的数据输入到LSTM神经网络中，以提取所测配对轴承的型号特征；步骤五：利用全连接层将LSTM神经网络输出的数据映射到负无穷至正无穷范围，而后利用Softmax函数对全连接层输出的数据进行归一化处理，为每个输出分类的结果都赋予概率值以表示每个类别的可能性，以识别配对轴承的质量。2.根据权利要求1所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：所述步骤二中，采集得到的预紧力信号P、位移信号S和摩擦扭矩信号M进行小波转换为尺寸为32
×
32
×
3的二维数据。3.根据权利要求2所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：所述步骤三中，数据经残差块进行两次3
×
3的卷积后，输出的结果与两次卷积前的数据直接映射相加，为：x
l+1
＝x
l
+F(x
l
,W
l
)其中，x
l+1
表示第l+1层的特征输入；F表示第l层的残差函数映射；x
l
表示第l层的特征输入；W
l
表示第l层的参数。4.根据权利要求3所述的基于注意力LSTM的配对轴承智能质量识别方法，其特征在于：数据进入SE注意力模块后，先进行压缩操作，而后进行激励操作；压缩操作时，沿空间维度来进行特征压缩，将每个二维的特征通道变作一个实数z，所述实数z具有全局的感受野，并且输出的维度和输入的特征通道数相匹配，可表示为：其中...

【专利技术属性】
技术研发人员：刘晨旭，赵贯西，杨波，沈奎林，康玲，成家悦，张济生，王昱，
申请(专利权)人：重庆大学，
类型：发明
国别省市：