【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 ...
【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:
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。