一种基于改进1D-CNN-LSTM故障诊断模型制造技术

本发明专利技术提出一种基于改进1D

【技术实现步骤摘要】
一种基于改进1D
‑
CNN
‑
LSTM故障诊断模型


[0001]本专利技术涉及机械零件故障检测
，尤其涉及一种基于改进1D
‑
CNN
‑
LSTM故障诊断模型。

技术介绍

[0002]滚动轴承作为许多机械的基础零部件，其运行状态往往会影响整台机械的工作状态，对生产和安全造成直接影响。目前，对于滚动轴承的故障诊断方法主要分为基于解析模型和基于数据驱动两方面。
[0003]基于解析模型的方法需要对故障诊断问题进行解析化表达，对于复杂度较高的系统建模难度大，且建立的模型在其他系统上的普适性较低，实际推广使用具有一定局限性。而基于数据驱动的故障诊断方法因其特征提取能力不足，难以挖掘提取故障数据中更深层次的微小特征，从而限制了诊断准确率的提升。
[0004]随着互联网、物联网等快速兴起与普及，当前社会数据的增长速度比以往任何时期都要迅猛。大数据给深度神经网络提供了充足的训练“原料”，给基于数据驱动的机械智能故障诊断的深入研究和应用提供了新的机遇。已有文献通过引入全局均值池化技术代替传统CNN的全连接层部分，使用改进后的CNN算法识别轴承故障种类，但是只是单独使用了深度CNN进行训练，忽略了滚动轴承在发生故障时的时序特征。滚动轴承性能退化是依存于服役时间的连续演化过程，相较于常规的“事后诊断”，变工状况下滚动轴轻微损伤甚至早期退化状态的准确识别对于指导预测性维护工作等会有更重要的价值。

技术实现思路

[0005]本专利技术的目的在于提出一种智能化、鲁棒性高并且诊断准确率高的滚动轴承诊断模型。
[0006]为达到上述目的，本专利技术提出一种基于改进1D
‑
CNN
‑
LSTM故障诊断模型，包括1D
‑
CNN部分、LSTM部分以及分类输出部分；
[0007]所述1D
‑
CNN部分通过一系列的一维卷积层来提取振动信号图像特征，并通过MaxPooling操作逐渐降低特征图维度；
[0008]所述LSTM部分由两层LSTM网络构成，通过遗忘门、输入门、输出门的选择过滤操作进一步提取出所述1D
‑
CNN部分忽略的时间序列特征；最后通过Softmax层分类输出该振动信号所表示的滚动轴承的工作状态。
[0009]进一步的，模型的损失函数采用交叉熵损失函数，梯度下降采用Adam优化器，输入信号为同一工况下滚动轴承不同状态的振动信号。
[0010]进一步的，所述1D—CNN部分与LSTM部分连接处引入了随机丢弃机制，随机丢弃神经元之间的权重，dropout层按一定的比例随机将神经元权重置为0，其表达式为：
[0011][0012][0013]式中，表示服从伯努利分布的概率向量；表示经过随机丢弃机制后的输出。
[0014]进一步的，所述1D
‑
CNN部分的卷积层通过对输入数据的局部区域与卷积核进行卷积运算，通过滑动卷积核窗口使局部感受野遍历整个输入数据。卷积计算公式如下：
[0015][0016]式中，表示第L层的输出值的第i个特征；表示第L层的第i个卷积核的权重矩阵；*运算符表示卷积运算；x
(l
‑
1)
为第L
‑
1层的输出；表示偏置顶；函数f表示输出的激活函数，所述1D
‑
CNN部分通过非线性的激活函数来解决现实世界中的非线性问题，选择整流线性单元作为卷积神经网络的激活函数。
[0017]进一步的，引入全局池化层来代替传统CNN网络架构中的Flatten层和全连接层。
[0018]进一步的，所述全局池化层的作用是空间合并也叫做子采样或者下采样，可以在保持最重要信息的同时降低特征图的维度，采用平均池化或者最大池化，采用最大池化表达式为：
[0019][0020]式中，为经过池化后的第L+1层的第i个特征图中的元素；D
j
表示第j个池化区域；表示第L层第i个特征图在池化核范围内的元素。
[0021]进一步的，所述遗忘门用于控制先前时刻的状态是否保留到当前神经元状态，实现对记忆的筛选；所述输入门将前一时刻的状态值与当前输入值输入激活函数Sigmoid，得到一个重要度值来决定信息的更新情况，再通过tanh函数来处理前一时刻的状态值和输入信息得到候选单元状态；所述输出门控制单元状态的最终输出，单元状态通过输出门的过滤，经由tanh函数压缩得到单元最终输出。
[0022]与现有技术相比，本专利技术的优势之处在于：
[0023]1、本专利技术所提出的故障诊断模型能够以较快的速度识别出滚动轴承的不同状态，平均识别准确率达99.83％，经过一系列实验分析，改进后的1D
‑
CNN
‑
LSTM网络在精度和训练速度都有更好的表现，通过卷积池化层连接CNN和LSTM两部分网络相对于Flatten层和全连接层来说输入信号的有效特征保留的更加全面，降维效果也更加优秀。
[0024]2、采用1D
‑
CNN与LSTM组合的结构，利用全局最大池化层规避使用Flatten层的操作，可以有效的保留并利用输入信号的时序特征，从而提高模型在故障诊断时的精度；通过1D
‑
CNN提取并简化信号特征，减少输入LSTM的参数量，可以有效降低LSTM的训练时间，增强模型时序特征提取能力，经实验结果表明本专利技术所提出的模型在不同工况下有较好的适应性和高效性，模型有较强的泛化能力，具备工程应用的可行性。
附图说明
[0025]图1为模型中LSTM神经元结构图；
[0026]图2为本专利技术改进的1D
‑
CNN
‑
LSTM滚动轴承故障诊断模型结构图；
具体实施方式
[0027]为使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的技术方案作进一步地说明。
[0028]本专利技术涉及一种基于改进1D
‑
CNN
‑
LSTM故障诊断模型，适用于电机滚动轴承的智能化故障诊断，如图2所示，包括以下步骤：
[0029]S1：改进传统CNN模型结构，采用一维卷积神经网络(1D—CNN)提取数据特征，构建1D—CNN—LSTM故障诊断模型；
[0030]算法模型主要分为1D
‑
CNN部分、LSTM部分以及分类输出部分，损失函数采用交叉熵损失函数，梯度下降采用Adam优化器，输入信号为同一工况下滚动轴承不同状态的振动信号；
[0031]S1中的CNN模型，主要由卷积层、全连接层、池化层三个部分组成，具体包括：
[0032]卷积层的作用是通过对输入数据的局部区域与卷积核进行卷积运算，通过滑动卷积核窗口使局部感受野遍历整个输入数据。卷积计算公式如下：
[0033][0034]式中，表示第L层的输出值的第i个特征；表示第L层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进1D
‑
CNN
‑
LSTM故障诊断模型，其特征在于，包括1D
‑
CNN部分、LSTM部分以及分类输出部分；所述1D
‑
CNN部分通过一系列的一维卷积层来提取振动信号图像特征，并通过Max Pooling操作逐渐降低特征图维度；所述LSTM部分由两层LSTM网络构成，通过遗忘门、输入门、输出门的选择过滤操作进一步提取出所述1D
‑
CNN部分忽略的时间序列特征；最后通过Softmax层分类输出该振动信号所表示的滚动轴承的工作状态。2.根据权利要求1所述的基于改进1D
‑
CNN
‑
LSTM故障诊断模型，其特征在于，模型的损失函数采用交叉熵损失函数，梯度下降采用Adam优化器，输入信号为同一工况下滚动轴承不同状态的振动信号。3.根据权利要求1所述的基于改进1D
‑
CNN
‑
LSTM故障诊断模型，其特征在于，所述1D—CNN部分与LSTM部分连接处引入了随机丢弃机制，随机丢弃神经元之间的权重，dropout层按一定的比例随机将神经元权重置为0，其表达式为：元权重置为0，其表达式为：式中，表示服从伯努利分布的概率向量；表示经过随机丢弃机制后的输出。4.根据权利要求1所述的基于改进1D
‑
CNN
‑
LSTM故障诊断模型，其特征在于，所述1D
‑
CNN部分的卷积层通过对输入数据的局部区域与卷积核进行卷积运算，通过滑动卷积核窗口使局部感受野遍历整个输入数据。卷积计算公式如下：式中，表示第L层的...

【专利技术属性】
技术研发人员：郑华丽，贾建鸿，孙东，王明君，叶春明，曹磊，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：