[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

本發明公開了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，針對現有滾動軸承故障診斷方法沒有考慮特征提取后數據的邏輯結構單一的特性和在處理故障數據時不能從數據整體判斷故障類型的缺陷，首先，獲取程序數據樣本，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，再使用時頻域特征提取算法得到512個時頻域特征向量；然后，構建改進的雙向記憶型循環神經網絡故障診斷模型，采用簡單化設計的思想，所設計的記憶型循環神經網絡包括遺忘門、輸入門和元胞狀態，再使用樣本數據訓練神經網絡權值參數，經過訓練迭代，生成可映射軸承數據和故障類型間聯系的模型；最后使用此模型進行故障分析，從而實現滾動軸承故障的精確診斷。

技術領域

本發明涉及一種滾動軸承故障診斷方法，具體是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。

背景技術

隨著現代工業和科學技術的迅速發展，生產設備逐漸向高速化、自動化及智能化發展，而設備元器件老化、應用環境的變化等問題往往是不可避免的，由于部件的老化會導致機械設備運行時發生各種故障，造成巨大的經濟損失，因此采集海量數據用于設備狀態監測，同時研究和利用創新性理論和方法，從設備大數據中高效挖掘信息進行設備狀態故障診斷具有重大的意義。

滾動軸承是轉動類機械的核心部件，對于滾動軸承的故障檢測是轉動類機械安全運行的重要部分，因此對滾動軸承的健康狀況分析將直接影響機械的性能、穩定性及生命周期的長度。

傳統故障診斷模型的設計并沒有考慮軸承數據采集時的非穩態特性，只有在特征提取時才考慮了軸承的非穩態的特點，而特征提取后數據又具有邏輯結構單一的特點，此時需要針對此特點設計一種軸承故障診斷方法，以提高滾動軸承的故障診斷準確度，同時，傳統方法由于結構的限制，單次處理數據的長度有限(需要將一個樣本數據分成多個批次進行處理)，不能完全結合數據整體來判斷故障類型。

發明內容

針對上述現有技術存在的問題，本發明提供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，不僅能對非平穩特性數據和邏輯結構單一數據進行處理，而且能結合數據整體來判斷故障類型，從而有效提高滾動軸承的故障診斷準確度。

為了實現上述目的，本發明采用的技術方案是：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，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，改進的循環神經網絡內部單元間的信息交互通過不斷更新的長時記憶C_t維持，C_t包含過去和未來的數據信息；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)；