[發明專利]一種基于雙向記憶循環神經網絡的滾動軸承故障診斷方法

有效

• 申請號: 201910351427.9
• 申請日: 2019-04-28
• 公開（公告）號: CN110261109B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 邱大偉;譚雯雯;劉子辰;周一青;石晶林
• 申請（專利權）人: 洛陽中科晶上智能裝備科技有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04;G01M13/045;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 洛陽啟越專利代理事務所(普通合伙) 41154
• 代理人: 吳楠

1.一種基于雙向記憶循環神經網絡的滾動軸承故障診斷方法，其特征在于，該方法的具體步驟為：

A、獲取程序數據樣本：在軸承不同振動檢測點位置分別安裝加速度傳感器，各個加速度傳感器采集軸承水平和垂直兩個方向的振動加速度數據，采樣頻率為48000Hz，然后對振動加速度數據進行標準化預處理，使采集的數據符合標準正態分布，然后在標準化處理后的數據中截取長度為2000個數據點的信號作為程序數據樣本；

B、采用特征提取算法對程序數據樣本進行分解處理：采用時頻域特征提取算法對程序數據樣本進行9層分解，將第9層振動信號頻帶能量作為信號特征，共形成512個時頻域特征向量，同時將特征提取算法分解后的數據樣本分為訓練集、驗證集兩部分；訓練集用于訓練故障診斷模型，所述驗證集用于階段性的驗證故障診斷模型的故障診斷效果；

C、構建及訓練改進的雙向記憶型循環神經網絡故障診斷模型：改進的雙向記憶型循環神經網絡故障診斷模型由前向循環神經網絡和后向循環神經網絡組成，前向循環神經網絡和后向循環神經網絡均為改進的記憶型循環神經網絡，改進的記憶型循環神經網絡包括遺忘門f_t、輸入門i_t和元胞cell，內部激活函數采用softsign函數，閾值函數采用sigmoid函數，遺忘門f_t和輸入門i_t采用對偶設計，即i_t＝1-f_t；改進的記憶循環神經網絡的循環變換公式如式(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為輸入，W_f和W_C為權重系數，b_f和b_C為偏置值，這四個值均為神經網絡參數，σ(g)為sigmoid函數，softsign(g)為softsign函數，C_t-1為上一時刻的長時記憶值，h_t為神經網絡單元的輸出；

公式(1)由上一時刻的長時記憶值C_t-1和輸入s_t通過sigmoid激活函數的作用產生遺忘門f_t，用于控制所通過的長時記憶的比率；

公式(2)產生的輸入門i_t用于控制輸入數據通過的比率，輸入門和遺忘門采用對偶的設計；

公式(3)通過softsign激活函數的作用由輸入s_t產生用于更新長時記憶C_t的候選值

公式(4)為更新長時記憶C_t的過程，遺忘門的輸出結果f_t與上一時刻的長時記憶值C_t-1相乘，用以遺忘信息，輸入門的輸出i_t與候選輸入信息相乘得到待輸入的信息，二者之和為更新后的長時記憶值C_t；

公式(5)產生的h_t為神經網絡單元的輸出；

前向循環神經網絡和后向循環神經網絡的輸出通過一個全連接的輸出層，將輸出信息通過softmax函數獲得故障的類別，從而完成改進的雙向記憶型循環神經網絡故障診斷模型的構建；

將訓練集輸入循環神經網絡故障診斷模型并進行模型訓練，每訓練完200次，輸入驗證集對故障診斷模型進行一次故障診斷準確度驗證；若故障診斷準確度達到設定的準確度，則停止訓練并保存當前模型參數作為循環神經網絡故障診斷模型的參數；若故障診斷準確度未達到設定的準確度，則調整模型參數后繼續重復上述訓練及驗證過程，按照設定的循環次數進行多次訓練后，若每次驗證的故障診斷準確度均未達到設定的準確度，則以每次驗證數據中故障診斷準確度最高的模型參數作為循環神經網絡故障診斷模型的參數，完成故障診斷模型的構建及訓練；

D、采用雙向記憶型循環神經網絡故障診斷模型進行故障診斷：通過各個加速度傳感器采集軸承水平和垂直兩個方向的振動加速度數據，振動加速度數據經過標準化預處理和特征提取分解處理后，將該處理后的數據輸入雙向記憶型循環神經網絡故障診斷模型，雙向記憶型循環神經網絡故障診斷模型進行分析處理后，得出故障診斷分析結果。