一种双向LSTM融合多尺度卷积的轴承亚健康识别算法制造技术

一种双向LSTM融合多尺度卷积的轴承亚健康识别算法，步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)轴承故障诊断。本发明专利技术设计并实现一种双向LSTM融合多尺度卷积的轴承故障诊断方法。为最大限度保留原始信号中的重要信息，利用小波包软阈值去噪方法处理轴承数据；然后采用多尺度卷积提取多维空间相关性信息；同时使用双向改进长短期记忆网络提取数据中时序相关性信息，且改进后单元结构只具有一个“门”结构，有效减少参数量；最后进行滚动轴承的故障分类。在同一实验条件下与四种方法进行对比实验，验证本发明专利技术方法有更高的诊断准确率。率。率。

【技术实现步骤摘要】
一种双向LSTM融合多尺度卷积的轴承亚健康识别算法


[0001]本专利技术涉及一种双向LSTM融合多尺度卷积的轴承亚健康识别算法，属于轴承故障诊断


技术介绍

[0002]传统卷积神经网络由卷积层、池化层和全连接层组成。因其强大的特征提取能力，被应用于故障诊断领域，省略了人工提取特征繁琐步骤，实现端到端的输入输出。但传统CNN只使用单一尺寸卷积核对轴承数据进行特征提取，若卷积核尺寸过大则无法定位精确位置，尺寸过小则不能覆盖一个完整振动周期。长短期记忆网络主要由遗忘门、输入门和输出门组成。它可以捕捉输入数据的整个历史信息，并解决梯度消失和梯度爆炸等缺点。传统LSTM网络虽然表现良好，但因其有三个“门”结构，且每个“门”都需要学习大量参数，导致该网络运行时间较长，不利于轴承故障实时识别。因此如何加快故障识别速度，提高故障诊断精度是一个亟待解决的问题，对轴承故障诊断领域研究具有重要的实际意义。

技术实现思路

[0003]本专利技术创造提供本专利技术提供一种双向LSTM融合多尺度卷积的轴承亚健康识别算法，解决现有技术中存在滚动轴承故障识别精度低的问题。
[0004]本专利技术是通过以下技术方案实现的：一种双向LSTM融合多尺度卷积的轴承亚健康识别算法，其步骤为：
[0005]1)信号采样；
[0006]2)对步骤1)中的信息降噪处理；
[0007]3)特征提取：利用多尺度CNN和双向改进LSTM模型对处理后的数据进行特征提取；
[0008]3.1)多尺度CNN模型结构：将处理后数据输入到两个并行卷积神经网络上，使用不同大小卷积核同时进行多尺度特征提取，经卷积、池化等操作后进行特征融合输入下一部分进行计算；
[0009]在卷积层中，输入数据经过卷积核加权求和计算后输入到非线性激活函数中，得到对应的特征，两个并行卷积核大小分别为20*1和6*1，卷积层的过程可以用式(1)表示：
[0010][0011]其中，N代表第(l
‑
1)层卷积核数目，代表卷积层输入，代表卷积层输出，k代表卷积核，b代表偏差，f()是ReLu激活函数；
[0012]经卷积层提取特征输入到池化层中，池化操作包括最大池化和平均池化，最大池化即输出邻域内特征的最大值，平均池化即输出邻域内特征的平均值，其定义分别如式(2)、(3)所示：
[0013][0014][0015]其中，w为池化区域大小，为第(l+1)层输出值，为第l层中第i个特征区域内第t个神经元的值；
[0016]最后，将多尺度卷积提取到的特征进行特征融合输入到下一层进行计算；
[0017]3.2)双向改进LSTM网络：提出一个简化LSTM网络，只有一个门结构；
[0018]改进的LSTM网络单元结构为：
[0019]3.2.1)临时记忆单元：临时记忆单元由当前时刻输入x
t
以及上一时刻输出h
t
‑1与对应权重相乘求和并经过激活函数tanh得到；公式如式(4)所示，激活函数如式(5)所示：
[0020][0021][0022]其中，和分别代表对应的权值矩阵，代表偏置向量，tanh()为激活函数；
[0023]3.2.2)更新门：由x
t
、h
t
‑1以及上一时刻记忆单元C
t
‑1与对应权重相乘求和并经过激活函数sigmoid得到更新门g
t
；二者的公式如式(6)、(7)所示：
[0024]g
t
＝σ(W
xg
·
x
t
+W
hg
·
h
t1
+P
cg
·
C
t
‑1+b
g
)
ꢀꢀꢀ
(6)
[0025][0026]其中，W
xg
、W
hg
和P
cg
分别代表对应的权值矩阵，b
g
代表偏置向量，σ()是sigmoid激活函数；
[0027]3.2.3)最终输出：输出当前时刻记忆单元C
t
和舍弃C
t
中无用信息的h
t
；二者都是由更新门g
t
决定，公式如(8)、(9)所示：
[0028][0029]h
t
＝g
t
*tanh(C
t
)
ꢀꢀꢀ
(9)
[0030]双向LSTM网络架构包括输入层、前向LSTM、后向LSTM和输出层，经多尺度卷积提取的特征输入双向LSTM中，分别作为前向和后向LSTM的输入，其中前向LSTM以获得第一个数据作为起点，将数据按时间顺序进行输入，后向LSTM以获得的最后一个数据作为起点，将数据按时间逆序进行输入，双向LSTM的输出拼接后经过一个全连接网络，得到故障诊断结果；
[0031]3.3)改进LSTM优化多尺度CNN亚健康识别算法：第一部分采用小波包软阈值去噪方法对数据进行处理，然后将处理后的数据输入到两个并行卷积神经网络中，这两个通道使用不同大小卷积核进行多尺度特征提取；
[0032]第二部分使用双向改进LSTM网络，经过第一部分特征提取后，将特征输入到双向改进LSTM中进行特征提取；
[0033]4)轴承故障诊断：将改进LSTM优化多尺度CNN网络结构提取的特征输入到全连接层中进行分类，实现对滚动轴承的故障诊断。
[0034]所述的步骤1)中，具体方法为：使用振动传感器采集振动信号，原始数据以每秒12000个样本的速度从电机驱动机械系统的加速度计中采集；收集到的振动数据即为实验
所需实测数据，采样频率为12kHz。
[0035]所述的步骤2)中，具体方法为：利用小波包变换对原始振动信号进行处理，并采用软阈值法对变换后信号去噪。
[0036]本专利技术创造的有益效果是：
[0037]本专利技术采用上述方案，通过小波包变换进行数据预处理，然后利用多尺度CNN进行多维空间特征提取，使用不同大小卷积核，可以提取出数据中不同尺度的空间相关性信息，相比于传统卷积神经网络使用单一尺寸卷积核进行特征提取，多尺度CNN能更好地提取出数据中隐藏特征。另外，考虑到振动数据是一维连续数据，时序上也有因果关系，鉴于时序关系上的影响，而CNN又不能提取时间相关性信息，基于此引入具有处理时序关系能力的LSTM网络。该时序关系提取机制可以更好地帮助模型提高识别精度，但由于传统LSTM网络参数量过大会导致模型训练时间过长，进而提出一种改进的LSTM网络，可以减少参数量，提高识别速度。提出的改进LSTM融合多尺度CNN亚健康识别算法，考虑到连续数据的时间和空间相关性，将两种特征进行融合，可以有效地对轴承亚健康状态进行准确识别。本专利技术在滚动轴承数据集上对数据进行故障诊断分析。
附图说明
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双向LSTM融合多尺度卷积的轴承亚健康识别算法，其特征在于，其步骤为：1)信号采样；2)对步骤1)中的信息降噪处理；3)特征提取：利用多尺度CNN和双向改进LSTM模型对处理后的数据进行特征提取；3.1)多尺度CNN模型结构：将处理后数据输入到两个并行卷积神经网络上，使用不同大小卷积核同时进行多尺度特征提取，经卷积、池化等操作后进行特征融合输入下一部分进行计算；在卷积层中，输入数据经过卷积核加权求和计算后输入到非线性激活函数中，得到对应的特征，两个并行卷积核大小分别为20*1和6*1，卷积层的过程可以用式(1)表示：其中，N代表第(l
‑
1)层卷积核数目，代表卷积层输入，代表卷积层输出，k代表卷积核，b代表偏差，f()是ReLu激活函数；经卷积层提取特征输入到池化层中，池化操作包括最大池化和平均池化，最大池化即输出邻域内特征的最大值，平均池化即输出邻域内特征的平均值，其定义分别如式(2)、(3)所示：所示：其中，w为池化区域大小，为第(l+1)层输出值，为第l层中第i个特征区域内第t个神经元的值；最后，将多尺度卷积提取到的特征进行特征融合输入到下一层进行计算；3.2)双向改进LSTM网络：提出一个简化LSTM网络，只有一个门结构；改进的LSTM网络单元结构为：3.2.1)临时记忆单元：临时记忆单元由当前时刻输入x
t
以及上一时刻输出h
t
‑1与对应权重相乘求和并经过激活函数tanh得到；公式如式(4)所示，激活函数如式(5)所示：权重相乘求和并经过激活函数tanh得到；公式如式(4)所示，激活函数如式(5)所示：其中，和分别代表对应的权值矩阵，代表偏置向量，tanh()为激活函数；3.2.2)更新门：由x
t
、h
t
‑1以及上一时刻记忆单元C
t
‑1与对应权重相乘求和并经过激活函数sigmoid得到更新门g
t
；二者的公式如式(6)、(7)所示：g
t
＝σ(W
xg
·
x
t
+W
hg
·
h
t1
+P
cg
...

【专利技术属性】
技术研发人员：罗浩，张凯鑫，王溟晗，路颜萍，张利，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：