[發(fā)明專利]一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法

在審

• 申請?zhí)枺?/td>: 201810601111.6
• 申請日: 2018-06-12
• 公開（公告）號: CN108960077A
• 公開（公告）日: 2018-12-07
• 發(fā)明（設(shè)計(jì)）人: 李舜酩;朱彥祺;王云琦
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G01M13/00
• 代理公司: 南京瑞弘專利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 唐紹焜

本發(fā)明公開了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，包括如下步驟：(1)利用加速度傳感器獲取旋轉(zhuǎn)機(jī)械在不同健康狀態(tài)下工作的時(shí)序振動(dòng)信號，將獲得的原始振動(dòng)信號分成訓(xùn)練集與測試集；(2)建立循環(huán)神經(jīng)網(wǎng)絡(luò)；(3)對循環(huán)神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練；(4)對訓(xùn)練好的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，根據(jù)分類結(jié)果判斷網(wǎng)絡(luò)是否達(dá)到預(yù)期診斷目標(biāo)，若準(zhǔn)確度低于期望值，則重復(fù)步驟(3)直到獲得準(zhǔn)確度高于期望值的循環(huán)神經(jīng)網(wǎng)絡(luò)；(5)通過所述步驟(4)得到的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行智能故障診斷。本發(fā)明利用循環(huán)神經(jīng)網(wǎng)絡(luò)對于序列信息的建模能力，直接處理原始時(shí)序振動(dòng)信號，可以充分利用較少的信息來精確地診斷旋轉(zhuǎn)機(jī)械故障，并有很高的識別速度。

技術(shù)領(lǐng)域

本發(fā)明涉及旋轉(zhuǎn)機(jī)械振動(dòng)信號的處理技術(shù)領(lǐng)域，尤其是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法。

背景技術(shù)

故障診斷方法主要關(guān)注系統(tǒng)的運(yùn)行狀態(tài)，能夠及時(shí)發(fā)現(xiàn)故障并指導(dǎo)維修，對于提高系統(tǒng)可靠性有重要作用。一般情況下，當(dāng)旋轉(zhuǎn)部件出現(xiàn)故障時(shí)都會伴隨振動(dòng)形式的變化，產(chǎn)生瞬時(shí)振動(dòng)脈沖，因此振動(dòng)信號攜帶了重要的診斷信息，是設(shè)備狀態(tài)識別的重要依據(jù)。機(jī)械設(shè)備通常需要在復(fù)雜的環(huán)境中工作，有著強(qiáng)烈的背景噪聲，所以現(xiàn)場獲取的機(jī)械振動(dòng)信號通常是有著背景噪聲的多分量、非平穩(wěn)信號。因此，從復(fù)雜的機(jī)械振動(dòng)信號中提取故障特征，從而對故障模式相近的機(jī)械振動(dòng)信號進(jìn)行診斷分類就變得非常困難。現(xiàn)代狀態(tài)監(jiān)測系統(tǒng)采集信號能力飛躍式的提升使得故障診斷進(jìn)入大數(shù)據(jù)時(shí)代，這導(dǎo)致了傳統(tǒng)的故障診斷方法的缺陷被放大。因此，現(xiàn)代機(jī)械故障診斷需要新的信號處理方法。

近年來，深度學(xué)習(xí)技術(shù)發(fā)展迅猛，在圖像、語音等很多傳統(tǒng)的識別任務(wù)上表現(xiàn)出了極高識別準(zhǔn)確率，彰顯了其在數(shù)據(jù)處理上的巨大潛力。深度學(xué)習(xí)技術(shù)能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)提取信號特征用于分類，是取代傳統(tǒng)人工信號處理技術(shù)的優(yōu)秀選擇。深度學(xué)習(xí)技術(shù)在故障診斷領(lǐng)域已有大量研究及應(yīng)用，包括玻爾茲曼機(jī)、深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)、自動(dòng)編碼器、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)、稀疏濾波(Sparse Filtering,SF)等。但是目前智能診斷算法仍存在如下兩個(gè)問題(1)需要大量的訓(xùn)練數(shù)據(jù)，當(dāng)輸入的信號序列長度不足以致信息的存儲量有限時(shí)，這些方法往往難以保持足夠高的精確度，導(dǎo)致診斷結(jié)果比較片面。(2)需要對訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致了人工工作量大，影響診斷效率。這些問題限制了診斷方法的靈活性。

發(fā)明內(nèi)容

發(fā)明目的：為克服上述現(xiàn)有方法的缺陷，本發(fā)明的目的在于提供一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，在門控循環(huán)單元循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入Dropout訓(xùn)練技術(shù)，加強(qiáng)模型對于小尺寸信號的識別能力。

技術(shù)方案：

一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的智能故障診斷方法，包括如下步驟：

(1)利用加速度傳感器獲取旋轉(zhuǎn)機(jī)械在不同健康狀態(tài)下工作的時(shí)序振動(dòng)信號，將獲得的原始振動(dòng)信號分成兩個(gè)不重疊的部分，分別作為訓(xùn)練集與測試集；

(2)建立循環(huán)神經(jīng)網(wǎng)絡(luò)：所述循環(huán)神經(jīng)網(wǎng)絡(luò)的模型選用門控循環(huán)單元，模型以振動(dòng)信號x_t為輸入，模型向前傳播公式為：

z_t＝σ(W_zx_t+U_zh_t-1+b_z) (1)

r_t＝σ(W_tx_t+U_th_t-1+b_r) (2)