[发明专利]一种基于双向记忆循环神经网络的滚动轴承故障诊断方法

摘要

本发明公开了一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，针对现有滚动轴承故障诊断方法没有考虑特征提取后数据的逻辑结构单一的特性和在处理故障数据时不能从数据整体判断故障类型的缺陷，首先，获取程序数据样本，对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，再使用时频域特征提取算法得到512个时频域特征向量；然后，构建改进的双向记忆型循环神经网络故障诊断模型，采用简单化设计的思想，所设计的记忆型循环神经网络包括遗忘门、输入门和元胞状态，再使用样本数据训练神经网络权值参数，经过训练迭代，生成可映射轴承数据和故障类型间联系的模型；最后使用此模型进行故障分析，从而实现滚动轴承故障的精确诊断。

主权项

1.一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，该方法的具体步骤为：A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的记忆型循环神经网络包括遗忘门f_t、输入门i_t和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门f_t和输入门i_t采用对偶设计，即i_t＝1‑f_t；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；f_t＝σ(W_f[C_t‑1，s_t]+b_f)            (1)i_t＝1‑f_t                  (2)h_t＝softsign(C_t)                 (5)其中，s_t为输入，W_f和W_C为权重系数，b_f和b_C为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，C_t‑1为上一时刻的长时记忆值，h_t为网络输出值；公式(1)由上一时刻的长时记忆值C_t‑1和输入s_t通过sigmoid激活函数的作用产生遗忘门f_t，用于控制所通过的长时记忆的比率；公式(2)产生的输入门i_t用于控制输入数据通过的比率，输入门和遗忘门采用对偶的设计；公式(3)通过softsign激活函数的作用由输入s_t产生用于更新长时记忆C_t的候选值公式(4)为更新长时记忆C_t的过程，遗忘门的输出结果f_t与旧的长时记忆C_t‑1相乘，用以遗忘信息，输入门的输出i_t与候选输入信息相乘得到待输入的信息，二者之和为更新后的长时记忆值C_t；公式(5)产生的h_t为神经网络单元的输出；前向循环神经网络和后向循环神经网络的输出通过一个全连接的输出层，将输出信息通过softmax函数获得故障的类别，从而完成改进的双向记忆型循环神经网络故障诊断模型的构建；将训练集输入循环神经网络故障诊断模型并进行模型训练，每训练完200次，输入验证集对故障诊断模型进行一次故障诊断准确度验证；若故障诊断准确度达到设定的准确度，则停止训练并保存当前模型参数作为循环神经网络故障诊断模型的参数；若故障诊断准确度未达到设定的准确度，则调整模型参数后继续重复上述训练及验证过程，按照设定的循环次数进行多次训练后，若每次验证的故障诊断准确度均未达到设定的准确度，则以每次验证数据中故障诊断准确度最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练；D、采用双向记忆型循环神经网络故障诊断模型进行故障诊断：通过各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，振动加速度数据经过标准化预处理和特征提取分解处理后，将该处理后的数据输入双向记忆型循环神经网络故障诊断模型，双向记忆型循环神经网络故障诊断模型进行分析处理后，得出故障诊断分析结果。