[发明专利]端到端基于卷积循环神经网络的轴承健康指标构建方法

权利要求书

1.一种端到端基于卷积循环神经网络的轴承健康指标构建方法，其特征在于，包括以下步骤：

1)搭建卷积循环神经网络模型CRNN：卷积循环神经网络模型CRNN的输入为被标准化的原始轴承振动信号数据，卷积循环神经网络模型CRNN包含两个组件，一个组件是用来提取局部特征的卷积神经网络CNNs，由交替堆叠的卷积层和池化层组成，为了加速网络的训练过程和收敛速度，在卷积神经网络CNNs中加入了BatchNorm层和残差连接结构；卷积神经网络CNNs包含4组残差单元，每一个残差单元包含有2个卷积层且每个残差单元对输入的数据均进行降采样，卷积神经网络CNNs的第一个卷积层采用预激活设计，整个卷积层中卷积核的大小均为16；另外一个组件用来提取带有时间序列信息的全局特征，并循环连接上述局部特征的循环神经网络，采用长短期记忆网络LSTM实现，长短期记忆网络LSTM在每一个时刻的输入为卷积神经网络CNNs输出的特征图上的每一个特征点，时间长度等于特征图的维度；长短期记忆网络LSTM在t时刻的输出通过以下公式计算：

f_t＝σ(W_f·[h_t-1,x_t]+b_f) (1)

i_t＝σ(W_i·[h_t-1,x_t]+b_i) (3)

o_t＝σ(W_o·[h_t-1,x_t]+b_o) (5)

h_t＝o_t⊙tanh(C_t) (6)

其中，h_t-1和x_t分别代表长短期记忆网络LSTM在t-1时刻的隐层状态和t时刻的输入特征；W_f，W_i和W_o分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的权重参数；b_f，b_i和b_o分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的偏置参数；f_t，i_t和o_t分别表示长短期记忆网络LSTM遗忘门、输入门和输出门的激活值；激活函数σ为sigmoid函数；符号tanh表示双曲正切函数；符号⊙和·分别表示逐元素乘法和矩阵乘法；表示长短期记忆网络LSTM新学习到的特征信息，W_C和b_C分别为相对应的权重参数和偏置参数；C_t表示当前t时刻长短期记忆网络LSTM细胞cell的内部状态；当前时刻隐藏层状态h_t包含了带时间序列信息的全局特征，随后将其通过一个全连接层的非线性映射，从而得到能衡量轴承退化程度的健康指标CRNN-HI；

2)卷积循环神经网络模型CRNN模型训练：卷积循环神经网络模型CRNN的损失函数采用均方根回归误差，训练集χ由滚动轴承的全寿命周期振动信号组成，χ＝{(x_t,y_t)|1≤t≤T}，其中x_t∈R^N,y_t∈[0,1]，N表示采集到的每一个振动信号的数据样本长度，T表示滚动轴承的寿命，y_t是一个实数值，代表在当前时刻t下轴承的残余寿命百分比；卷积循环神经网络模型CRNN的损失函数J通过下式计算：

其中，是HI的预测值，当某个轴承的值十分接近0的时候，就表示这个轴承处于失效状态；整个卷积循环神经网络模型CRNN采用反向传播算法BP进行训练，优化器选择为Adam，初始学习率lr设置为0.001，每个batch的样本量大小设置为32；

3)卷积循环神经网络模型CRNN评估，挑选最优的训练过的卷积循环神经网络模型CRNN去预测待评估的滚动轴承的健康指标CRNN-HI，这里采用相关性指标Corr和单调性指标Mono定量评估训练过程中卷积循环神经网络模型CRNN在验证集上的性能，相关性指标Corr衡量了CRNN-HI衰减趋势与设备运行时间之间的相关性，其值计算如下：

符号I_i和t_i分别表示CRNN-HI的值和运行时刻，单调性指标Mono衡量了CRNN-HI随时间递增或递减的趋势，其计算公式如下：

dI表示相邻时刻两个CRNN-HI之间的一阶差分，看出Corr和Mono的值的取值范围均在0到1之间，当最优模型参数选择完毕之后，就将采集到的待分析轴承的振动信号输入到最优模型中，从而得到最优模型的输出，及轴承当前时刻的CRNN-HI值，从而定量评估该滚动轴承的当前退化程度。