【技术实现步骤摘要】
本专利技术涉及一种轴承故障诊断，尤其是涉及一种基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方法。
技术介绍
1、滚动轴承作为机器稳定运行的核心部件，其发生故障时，会影响机器运行的稳定性，甚至发生安全事故。因此，对滚动轴承进行有效的识别和诊断具有重要意义。以往的滚动轴承故障研究主要采用传统方法，如应用变分模态分解、经验模态分解等算法对轴承振动信号进行分解，然后选择其中的分量进行进一步分析。然而，传统方法在很大程度上依赖专家经验，而过多的人工干预不可避免地对诊断结果造成一定的影响。如今，随着智能化水平的提高，对各类轴承数据的采集速度和数量级都取得了显著提升，为深度学习方法在轴承故障诊断领域的广泛应用奠定了良好基础。作为当前广泛采用的智能研究方法，深度学习具备极强的自适应特征提取能力，在轴承数据分析过程中有效地降低了人工干预和经验误差，因此正逐渐被越来越多的研究者应用于轴承故障诊断领域。例如：
2、宫文峰等在《基于改进卷积神经网络的滚动轴承智能故障诊断研究》中，将全局均值池化技术代替全连接层部分，解决了cnn模型参数过多问题。
3、王奉涛等在《glt-cnn方法及其在航空发动机中介轴承故障诊断中的应用》中，将故障振动信号进行灰度变换，然后输入到卷积神经网络中进行故障诊断。
4、欧阳励等在《一种基于双向长短期记忆结构与多尺度卷积结构融合的轴承智能故障诊断方法》中，通过基于双向长短期记忆结构blstm与多尺度卷积结构msc融合的深度学习网络模型blstm-msc融合模型对数据特征进行多角
5、王秀芳等在《基于msds-cnn的滚动轴承故障诊断方法》中，利用不同尺度的深度可分离卷积对输入信号进行并行处理，用以解决模型尺寸大、抗噪性差的问题。
6、可知现有的研究皆是针对轴承故障类型较少情况进行的分析。但在一些复杂的条件下轴承故障是并存的，多种工况条件和故障共存会导致分类难度增加诊断准确性下降，使用普通模型来识别和诊断这一点很难达到预期的效果。一些已有的复杂模型或许能够在多故障问题上取得一定的诊断效果，但深度学习模型对硬件的要求较高，而且其训练过程相对冗长，无法迅速产生诊断结果，因此在实际应用中并不适用。
技术实现思路
1、针对滚动轴承在多种工况和故障共存导致的智能故障诊断模型准确性下降问题。本专利技术提供一种基于mf2d-cnn-lstm模型的滚动轴承多故障诊断模型及方法，该方法改进了传统的cnn-lstm模型，采用2d-cnn代替传统的1d-cnn作为空间特征提取器获取信号多种局部和全局特征，lstm作为信号时序信息特征提取器。利用批量归一化层用于优化模型，用全局平均池化代替的flatten层，通过全连接层和输出层输出最终的可视化分类结果。最后将多种工况下的多种故障信号输入模型进行分类和诊断。将该方法与alexnet、ghostnet、mobilenet-v2模型诊断方法进行对比，验证了该方法的优越性和有效性。表明本专利技术提出的算法模型具有更高的精度和更稳定的性能，从而具有更可靠的工程应用价值。
2、为实现上述目的，本专利技术提供了一种基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方法，包括以下步骤：
3、s1、建立网络模型，从原始信号中选取多种故障类型，构建模型的输入信息；
4、s2、数据的预处理，构建数据集；
5、s3、将选取的数据进行打乱与重组，而后按照7：3的比例划分为训练集和测试集；
6、s4、将训练集作为输入，训练模型并进行参数调整；
7、s5、将测试集输入训练完毕的模型中，进行故障的识别与诊断，并对诊断结果进行可视化分析。
8、优选的，在步骤s1中，在步骤s1中采用xjtu-sy轴承数据和qpzz-ii实验台轴承数据作为原始信号。
9、优选的，在步骤s1中，建立的网络模型为基于cnn-lstm模型改进的mf2d-cnn-lstm模型，所述mf2d-cnn-lstm模型包括依次设置的信号输入层、第一卷积层、第一批量归一化层、第一平均池化层、第二卷积层、第二批量归一化层、第二平均池化层、第三卷积层、第三批量归一化层、第三平均池化层、全局平均池化层、第一lstm层、第二lstm层、dropout层、全连接层；
10、所述信号输入层，用于输入轴承多故障数据信号；
11、所述第一卷积层、第二卷积层、第三卷积层，均用于对输入的信号进行卷积运算；
12、所述第一批量归一化层、第二批量归一化层、第三批量归一化层，均用于加快训练和收敛的速度；
13、所述第一平均池化层、第二平均池化层、第三平均池化层，均用于计算池化窗口内所有数据的平均值；
14、所述全局平均池化层，用于将二维特征向量展平成一维向量以供后续层使用；
15、所述第一lstm层、第二lstm层，均用于提取信号的时序特征；
16、所述dropout层，用于在训练期间要丢弃的输入单元的比例防止过拟合；
17、所述全连接层，用于输出识别与诊断结果。
18、优选的，所述第一卷积层的尺寸为16×16×32；
19、所述第二卷积层的尺寸为7×7×64；
20、所述第三卷积层的尺寸为3×3×128；
21、优选的，所述第一lstm层的神经元数为64；
22、所述第二lstm层的神经元数为16；
23、优选的，所述第一批量归一化层、所述第二批量归一化层和所述第三批量归一化层的池化窗口均为3×3，步长均为2。
24、优选的，所述dropout层的参数为0.2。
25、优选的，所述全连接层的尺寸为13×1。
26、优选的，所述第一批量归一化层、所述第二批量归一化层和所述第三批量归一化层均包括以下操作过程：
27、计算批处理数据的平均值：
28、
29、计算批处理数据方差：
30、
31、归一化数据：
32、
33、尺度变换和偏移：
34、
35、式中，其中m表示批的大小；ε是保证数值稳定性的常数项；γ和β分别是尺度因子和平移因子，是批量归一化层的输出；
36、通过批处理归一化操作，使每一层输出的数据始终呈现一种正态分布，从而极大地改善了模型的训练效率。
37、优选的，所述第一lstm层、第二lstm层均包括以下结构：
38、lstm单元的基本结构包括遗忘门、输入门、输出门和记忆细胞；
39、遗忘门用于记录长期记忆的遗忘程度，决定上一时刻的记忆细胞状态中有多少被保留至当前时刻的记忆细胞状态；
40、输入门记录当前时刻的短期记忆，决定保留多少信息；
41、输出门作为长短时记忆网络的最终输出。
42、本本文档来自技高网...
【技术保护点】
1.一种基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：在步骤S1中，在步骤S1中采用XJTU-SY轴承数据和QPZZ-II实验台轴承数据作为原始信号。
3.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：在步骤S1中，建立的网络模型为基于CNN-LSTM模型改进的MF2D-CNN-LSTM模型，所述MF2D-CNN-LSTM模型包括依次设置的信号输入层、第一卷积层、第一批量归一化层、第一平均池化层、第二卷积层、第二批量归一化层、第二平均池化层、第三卷积层、第三批量归一化层、第三平均池化层、全局平均池化层、第一LSTM层、第二LSTM层、Dropout层、全连接层；
4.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：
5.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多
6.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：所述Dropout层的参数为0.2。
7.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：所述全连接层的尺寸为13×1。
8.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：所述第一批量归一化层、所述第二批量归一化层和所述第三批量归一化层均包括以下操作过程：
9.根据权利要求1所述的基于MF2D-CNN-LSTM模型的滚动轴承多故障分类与诊断方法，其特征在于：所述第一LSTM层、第二LSTM层均包括以下结构：
...【技术特征摘要】
1.一种基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方法，其特征在于：在步骤s1中，在步骤s1中采用xjtu-sy轴承数据和qpzz-ii实验台轴承数据作为原始信号。
3.根据权利要求1所述的基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方法，其特征在于：在步骤s1中，建立的网络模型为基于cnn-lstm模型改进的mf2d-cnn-lstm模型，所述mf2d-cnn-lstm模型包括依次设置的信号输入层、第一卷积层、第一批量归一化层、第一平均池化层、第二卷积层、第二批量归一化层、第二平均池化层、第三卷积层、第三批量归一化层、第三平均池化层、全局平均池化层、第一lstm层、第二lstm层、dropout层、全连接层；
4.根据权利要求1所述的基于mf2d-cnn-lstm模型的滚动轴承多故障分类与诊断方...
【专利技术属性】
技术研发人员：张雄，王文强，马亚伟，钟文超，宋海博，丁佳毅，万书亭，
申请(专利权)人：华北电力大学保定，
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。