[发明专利]一种基于双向记忆循环神经网络的滚动轴承故障诊断方法

说明书

本发明公开了一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，针对现有滚动轴承故障诊断方法没有考虑特征提取后数据的逻辑结构单一的特性和在处理故障数据时不能从数据整体判断故障类型的缺陷，首先，获取程序数据样本，对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，再使用时频域特征提取算法得到512个时频域特征向量；然后，构建改进的双向记忆型循环神经网络故障诊断模型，采用简单化设计的思想，所设计的记忆型循环神经网络包括遗忘门、输入门和元胞状态，再使用样本数据训练神经网络权值参数，经过训练迭代，生成可映射轴承数据和故障类型间联系的模型；最后使用此模型进行故障分析，从而实现滚动轴承故障的精确诊断。

技术领域

本发明涉及一种滚动轴承故障诊断方法，具体是一种基于双向记忆循环神经网络的滚动轴承故障诊断方法。

背景技术

随着现代工业和科学技术的迅速发展，生产设备逐渐向高速化、自动化及智能化发展，而设备元器件老化、应用环境的变化等问题往往是不可避免的，由于部件的老化会导致机械设备运行时发生各种故障，造成巨大的经济损失，因此采集海量数据用于设备状态监测，同时研究和利用创新性理论和方法，从设备大数据中高效挖掘信息进行设备状态故障诊断具有重大的意义。

滚动轴承是转动类机械的核心部件，对于滚动轴承的故障检测是转动类机械安全运行的重要部分，因此对滚动轴承的健康状况分析将直接影响机械的性能、稳定性及生命周期的长度。

传统故障诊断模型的设计并没有考虑轴承数据采集时的非稳态特性，只有在特征提取时才考虑了轴承的非稳态的特点，而特征提取后数据又具有逻辑结构单一的特点，此时需要针对此特点设计一种轴承故障诊断方法，以提高滚动轴承的故障诊断准确度，同时，传统方法由于结构的限制，单次处理数据的长度有限(需要将一个样本数据分成多个批次进行处理)，不能完全结合数据整体来判断故障类型。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，不仅能对非平稳特性数据和逻辑结构单一数据进行处理，而且能结合数据整体来判断故障类型，从而有效提高滚动轴承的故障诊断准确度。

为了实现上述目的，本发明采用的技术方案是：一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，具体步骤为：

A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；

B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；

C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的循环神经网络内部单元间的信息交互通过不断更新的长时记忆C_t维持，C_t包含过去和未来的数据信息；改进的记忆型循环神经网络包括遗忘门f_t、输入门i_t和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门f_t和输入门i_t采用对偶设计，即i_t＝1-f_t；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；