[发明专利]一种基于CNN和LSTM的滚动轴承故障分析

权利要求书

1.一种基于CNN和SLTM的滚动轴承故障分类方法，包括：

获取轴承振动数据并预处理，构建数据集；

对处理后的振动数据使用巴特沃斯滤波器(Butterworth Filter)去噪声，并进行快速傅里叶变换(FFT)将预处理的时域信号转化为频域信号；

利用CNN网络进行学习来获取时域图、频域图的图像特征，通过Add层进行图像特征融合；

将CNN学习获得的图像特征输入到LSTM网络中，通过LSTM网络学习特征中包含的时序特征，通过一个全连接层和Softmax函数实现分类功能；

用训练好的网络对测试样本进行故障分类。

2.根据权利要求1所述的方法，其特征在于对含有噪声的振动数据采用巴特沃思滤波器(Butterworth filter)处理呼吸频率信号。

其中巴特沃斯滤波器的公式为：

其中n＝滤波器的阶数，ω_c为截止频率取振幅下降为-3分贝时的频率。滤波器的滤波器默认阶数为2，高阶巴特沃思滤波器虽然可以在截止频率附近实现更清晰的滚降，但也会造成严重的信号失真，影响结果的精度，实验中发现使用阶数为1的滤波器性能更好，即使用一阶巴特沃思滤波器对含有噪声的振动数据进行处理。

3.根据权利要求1所述的方法，其特征在于通过快速傅里叶变换(fast Fouriertransform，FFT)将预处理信号的描述从时域转换到频域。

FFT利用离散信号计算信号X(k)的频谱。其中FFT的公式为：

即使用FFT算法可以降低频域转换计算量、提高转换速度，其时间复杂度为o(nlog₂n)。

4.根据权利要求1所述的方法，其特征在于对处理后得到的时域图、频域图作为输入，分别通过预设好的CNN网络进行训练，CNN只对一维时间轴上的数据进行卷积运算，沿时域信号和时频图的时间t轴移动提取图像特征。CNN通过3个卷积层来进行特征提取。池化层位于每个卷积层的后面对特征图进行降维，这里是通过使用最大池化操作减少输出的复杂度和防止数据的过拟合，保留数据的时间特征；

其中最大池化层计算公式为：

其中w、d为最大池化滤波器预设的长和宽。

5.根据权利要求1和要求4所述的方法，其特征在于将CNN学习得到的时域图、频域图特征通过add层进行特征融合，图像的维度本身并没有增加，每一维下的信息量增加了，通过add层进行特征融合可以保留时间特征。将融合特征作为长短时记忆网络层的输入。