[发明专利]基于长短时记忆循环神经网络的轴承早期故障识别方法有效
| 申请号： | 201711273124.7 | 申请日： | 2017-12-06 |
| 公开（公告）号： | CN108303253B | 公开（公告）日： | 2019-10-18 |
| 发明（设计）人： | 张斌;李巍华 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G01M13/045 | 分类号： | G01M13/045;G06N3/04 |
| 代理公司： | 广州粤高专利商标代理有限公司 44102 | 代理人： | 何淑珍 |
| 地址： | 511458 广东省广州市*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于长短时记忆循环神经网络的轴承早期故障识别方法，包括步骤：对轴承全寿命振动信号进行采集后提取常用的时域特征；构建波形熵特征，并利用平方解调方法验证波形熵的有效性；利用时域特征和熵特征构建特征数据集，选取正常数据集和深度故障数据集；将正常数据集和深度故障数据集作为训练样本对LSTM循环神经网络进行训练；将在线轴承振动信号进行时域特征和熵特征提取后输入训练好的LSTM循环神经网络对故障发生时刻进行识别。本发明将振动信号的传统特征和熵特征进行结合，在保证振动特征量物理意义的情况下，准确反映轴承当前状态。所采用的循环神经网络能有效运用退化历史数据，从而对轴承故障发生时刻进行有效识别。 | ||
| 搜索关键词： | 循环神经网络 熵特征 轴承 时域特征 故障数据 早期故障 振动信号 正常数据 构建 故障发生时刻 轴承振动信号 传统特征 发生时刻 历史数据 特征数据 物理意义 训练样本 有效识别 有效运用 振动特征 轴承故障 后提取 解调 退化 验证 采集 保证 | ||
【主权项】：
1.一种基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于，包括以下步骤：对轴承全寿命振动信号进行采集，振动信号预处理后提取常用的时域特征；选取时域特征中的波形因子构建波形熵特征，并利用频谱分析中的平方解调方法验证波形熵的有效性；利用时域特征和波形熵特征构建特征数据集，通过时域信号和频谱分析的判断，选取正常数据集和深度故障数据集；将正常数据集和深度故障数据集作为训练样本对LSTM循环神经网络进行训练，网络主要参数通过粒子群算法进行优化；将在线轴承振动信号进行时域特征和波形熵特征提取后输入训练好的LSTM循环神经网络对故障发生时刻进行识别；所述波形熵特征的构建具体是采用了基于无量纲时域指标波形因子构建波形熵特征，其具体构建方式为：![]()
其中，WEt为当前时刻的波形熵，Wt‑i为t‑i时刻的波形因子，M为计算波形熵的时间步长。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711273124.7/，转载请声明来源钻瓜专利网。
