[发明专利]一种基于CNN和LSTM的滚动轴承故障分析

说明书

本申请公开了一种基于CNN和LSTM的滚动轴承故障分类方法。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，对滚动轴承微弱故障的早期检测分析具有重要的现实意义和实用价值。

技术领域

本申请属于机器学习和故障识别技术领域，特别是涉及深度学习模型CNN与深度学习模型LSTM的滚动轴承故障分析方法。

背景技术

滚动轴承故障诊断技术一直以来都是机械故障诊断领域中的重要研究课题。列车作为一种复杂机械设备广泛应用于公共出行。列车机械系统出现故障，干扰交通系统的运作，严重时更会危及人员的安全，造成巨大的经济损失。滚动轴承是列车的核心零部件。据统计，30％的机械设备故障是由轴承故障引起的，对滚动轴承微弱故障的早期检测分析具有重要的现实意义和实用价值。不同的故障类型具有不同的信号特征，振动信号能够直观地反映出轴承的健康状态，因此应用较为广泛。信号特征主要包表现形式分为两种：时域和频域，然而单纯的通过时域分析或频域分析无法完全地表现振动信号中的故障特征。近年来，卷积神经网络(convolutional neural network，CNN) 被广泛应用于图像处理、语音识别、故障分析等领域中。在轴承故障诊断中，将一维时序数据或二维时频图作为输入，通过神经网络进行训练提取故障特征被证明可以在有噪声变工况的场景下对故障进行分析。

Jing等利用CNN从振动信号的频谱中学习特征，实现变速箱的健康状态监测。Qu等提出了一维卷积神经网络故障诊断算法，实现了基于深度网络的自适应特征提取和故障诊断。SE等从电动机的频谱中通过快速傅里叶变换使用频率分量训练CNN。Zhuang等使用长短时记忆网络(Long Short-Term Memory，LSTM)网络通过栅极结构提取时序数据的时间特征，增强模型的泛化能力。Ren等结合时域和频域特征提出一种多轴承剩余使用寿命协同预测的集成深度学习方法，获取了良好的预测效果。Liu 使用CNN+LSTM模型并通过一个激活层映射成一个寿命指标，进而对轴承寿命进行预测。

虽然CNN模型能够充分提取数据的空间特征，但不能提取数据的时间特征。在数据量较大的情况下，LSTM网络又难以提取数据的非线性特征，数据特征提取不足，收敛速度也较慢。且相较于将时域特征或频域特征作为输入的模型，结合时域和频域特征的模型会表现出更优秀的分类效果。

发明内容

本发明的目的是提供一种基于CNN和LSTM的滚动轴承故障分析方法。充分利用CNN的空间特征提取能力和LSTM的时序特征学习能力，充分提取振动图像与时间依赖的关系，通过全连接层和 softmax层对滚动轴承振动特征进行分类识别和故障判断，增强分类精度。且LSTM相比于传统的RNN，解决了梯度消失的问题，能降低训练模型的难度。

根据本申请的一个方面，提供了一种基于CNN和LSTM的轴承故障分析方法，包括：

获取轴承振动数据，对含有噪声的振动数据采用巴特沃思滤波器 (Butterworthfilter)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；