[发明专利]基于长短时记忆循环神经网络的轴承早期故障识别方法

说明书

本发明公开了一种基于长短时记忆循环神经网络的轴承早期故障识别方法，包括步骤：对轴承全寿命振动信号进行采集后提取常用的时域特征；构建波形熵特征，并利用平方解调方法验证波形熵的有效性；利用时域特征和熵特征构建特征数据集，选取正常数据集和深度故障数据集；将正常数据集和深度故障数据集作为训练样本对LSTM循环神经网络进行训练；将在线轴承振动信号进行时域特征和熵特征提取后输入训练好的LSTM循环神经网络对故障发生时刻进行识别。本发明将振动信号的传统特征和熵特征进行结合，在保证振动特征量物理意义的情况下，准确反映轴承当前状态。所采用的循环神经网络能有效运用退化历史数据，从而对轴承故障发生时刻进行有效识别。

技术领域

本发明属于故障智能诊断领域，具体涉及一种基于长短时记忆循环神经网络的轴承早期故障识别方法。

背景技术

轴承作为旋转机械的重要组成部分，需要对其健康状态进行有效的监测。故障诊断是轴承故障智能诊断领域的重要研究内容。构造一个有效的退化指标，同时利用故障发展的历史数据对故障状态进行判断是这项工作的关键。轴承在发生缺陷损伤之后产生的振动信号是轴承故障诊断的重要依据，振动信号的时频域特征也是传统故障诊断方法的重要手段。

对于数据驱动的智能诊断方法来说，一方面相对于传统时频域特征，众多新提出的特征量与轴承故障程度的对应关系不明确；另一方面对于故障的阈值特别是早期故障出现的阈值没有明确的界定，如何避免人为确定失效阈值带来的盲目性和不确定性成为故障区分的难点。当前的轴承退化评估研究还存在以下一些问题：缺少能全面反应轴承退化趋势的特征量；对退化过程历史信号的利用不足。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种基于循环神经网络的轴承早期故障识别方法。构建基于波形熵特征的轴承退化指标，通过解调分析验证了所提轴承熵指标的有效性，证明所提指标全面有效地反映轴承退化过程。将所提熵指标结合传统时域指标作为LSTM循环神经网络的输入，利用该网络对时序信号的处理能力，对轴承故障状态进行有效识别。

为了实现上述目的，本发明采用以下技术方案：

一种基于长短时记忆循环神经网络的轴承早期故障识别方法，包括以下步骤：

对轴承全寿命振动信号进行采集，振动信号预处理后提取常用的时域特征；

选取时域特征中的波形因子构建波形熵特征，并利用频谱分析中的平方解调方法验证波形熵的有效性；

利用时域特征和波形熵特征构建特征数据集，通过时域信号和频谱分析的判断，选取正常数据集和深度故障数据集；

将正常数据集和深度故障数据集作为训练样本对LSTM循环神经网络进行训练，网络主要参数通过粒子群算法(PSO)进行优化；

将在线轴承振动信号进行时域特征和波形熵特征提取后输入训练好的LSTM循环神经网络对故障发生时刻进行识别。

优选地，所述轴承全寿命振动信号是指新轴承从装机运行到损坏的全过程的轴承振动信号。

优选地，所述的振动信号预处理是采用小波降噪的方法对轴承信号进行预处理。

优选地，所述常用的时域特征包括：绝对均值、有效值、峭度和波形因子。

优选地，所述波形熵特征的构建具体是采用了基于无量纲时域指标波形因子构建波形熵特征，其具体构建方式为：

其中，WE_t为当前时刻的波形熵，W_t-i为t-i时刻的波形因子，M为计算波形熵的时间步长。