[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

说明书

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，先搭建卷积循环神经网络模型CRNN，得到能衡量轴承退化程度的健康指标CRNN‑HI；然后进行卷积循环神经网络模型CRNN模型训练；最后进行卷积循环神经网络模型CRNN评估；本发明通过整合卷积神经网络CNNs和循环神经网络RNNs的结构优势，利用RNNs编码CNNs输出的特征图的时序信息，一方面消除了CNNs不能编码时序特征和感受野小的缺陷，另一方面也消除了RNNs不能自适应地从原始数据中提取HI相关特征的缺陷，使得CRNN‑HI在轴承健康状态退化评估方面取得了较高的相关性、单调性和准确性；同时本发明构建的CRNN‑HI指标将轴承的非线性退化过程近似表征为随时间变化的线性过程，为滚动轴承的健康状态评估和退化程度的确定提供了方便。

技术领域

本发明属于回转机械故障诊断技术领域，具体涉及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。

背景技术

近年来，随着物联网(IoT)技术和网络协同制造技术的发展，使得研究者能搜集到机械设备的大量状态监测数据,这些数据对于进一步提升智能制造水平显得十分重要。滚动轴承作为回转机械动力装备中关键部件之一，其意外的故障发生很可能会造成巨大的经济损失和灾难性事故。为了解决上述问题，对回转机械轴承部件实行计划性预测性维修显得十分重要，在上述大数据背景下，许多研究学者将注意力转向了基于数据驱动型的故障预示方法研究。

总的来说，数据驱动型故障预示方法主要包含3个步骤：(1)故障相关数据采集；(2)健康指标HI构建；(3)失效时间预测。其中，健康指标HI构建的好坏对于定量评估轴承退化程度的准确性产生至关重要的影响。近几年以大数据分析为中心的人工智能技术在轴承健康指标HI构建领域取得了很大的进步，其典型代表就是基于深度学习DL的方法。基于DL的HI构建方法主要分成两类，第一类是基于卷积神经网络CNNs的方法，其核心是利用CNNs的分层特征学习和分层特征表达能力，自适应地从原始数据如振动信号中学习HI相关的特征，通过网络的权重共享和局部感受野属性，浅层网络能学习到局部特征而高层网络能学习到更加全局和具有丰富语义信息的特征；有人利用一维卷积神经网络为滚动轴承构建了HI指标，并将HI中的毛刺波动现象考虑进去，在相关性和单调性方面取得了很大的性能提升。然而该方法的缺点在于，一方面直接采用分类的CNNs网络结构用于HI的回归，其回归能力比较差；另一方面，CNNs不能编码输入数据的时间序列信息，而该信息对于轴承HI的构建是很重要的。第二类是基于循环神经网络RNNs的方法，其核心是利用RNNs网络能学习长期依赖关系的记忆性去编码输入特征的时序信息，有人通过给RNNs网络输入人工自定义的特征，包括经典的时域特征、频域特征，以及时频域特征，为滚动轴承构建了健康指标RNN-HI。RNN-HI在衡量滚动轴承性能退化方面具有较高的单调性。然而，该类方法的缺陷在于需要人工自定义特征输入到网络中，即需要一定的先验知识，且整个网络不能进行端到端的优化。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供了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，通过整合卷积神经网络和循环神经网络的结构优势，利用RNNs编码CNNs输出的特征图的时序信息，一方面消除了CNNs不能编码时序特征和感受野小的缺陷，另一方面也消除了RNNs不能自适应地从原始数据中提取HI相关特征的缺陷。

为了达到上述目的，本发明采取的技术方案是：

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，包括以下步骤：