[發明專利]基于門控循環單元網絡的軸承故障識別方法

在審

• 申請號: 202010769848.6
• 申請日: 2020-08-04
• 公開（公告）號: CN111898686A
• 公開（公告）日: 2020-11-06
• 發明（設計）人: 徐廣耀;鄧雅馨;董育霖;吳子陽
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M13/04;G01M13/045
• 代理公司: 合肥方舟知識產權代理事務所(普通合伙) 34158
• 代理人: 劉躍

1.一種基于門控循環單元網絡的軸承故障識別方法，其特征在于，主要包括以下步驟：

步驟1：數據采集后進行預處理，得到加速度傳感器時序數據，并劃分數據集為訓練集、驗證集和測試集；

步驟2：將訓練集的數據輸入門控循環單元網絡中進行訓練，直到網絡收斂；

步驟3：將驗證集的數據輸入網絡進行驗證，并調節網絡的參數，最終得到最優的參數；

步驟4：將最終模型進行保存，輸入測試集進行識別效果測試，最終模型可用于實際旋轉機械診斷環節。

2.根據權利要求1所述基于門控循環單元網絡的軸承故障識別方法，其特征在于，所述步驟1的主要步驟如下：

步驟1.1：數據采集：實驗采用SKF6205軸承，通過電火花加工引入故障，故障直徑分別為0.18mm、0.36mm和0.53mm，采集了正常狀態、滾珠故障、內圈故障和外圈故障4種振動信號數據；

步驟1.2：數據預處理：對指標歷史時序數據進行均值法缺失值填補，異常值處理和標準化后得到最終的歷史時序數據集；

步驟1.3：數據集劃分：將歷史時序數據集的劃分為：訓練集包含1900條數據、驗證集包含500條數據和測試集包含500條數據。

3.根據權利要求1所述基于門控循環單元網絡的軸承故障識別方法，其特征在于，所述步驟2的主要步驟如下：

步驟2.1：搭建門控循環單元網絡，包含輸入層、門控循環單元層、全連接層和輸出層。其中，需要調節的參數為每層的門控循環單元的個數、Dropout值、優化器選擇和全連接層的神經元個數；

步驟2.2：初始化門控循環單元的隱藏狀態，將數據輸入；

步驟2.3：計算當前神經元的重置門r_t、更新門z_t的權值及備選隱藏狀態為：

z_t＝σ(W_xzx_t+W_hzh_t-1+b_z)

r_t＝σ(W_xrx_t+W_hrh_t-1+b_r)

其中，W_hz表示的是上個隱藏狀態與更新門之間的權重，W_xz表示的是當前輸入與更新門之間的權值，W_hr表示的是上個隱藏狀態與重置門之間的權值，W_xr表示的是當前輸入與重置門之間的權值，W_xh表示的是當前輸入與當前候選隱藏狀態之間的權值，W是權值矩陣；b_z是更新門的偏置項，b_r是重置門的偏置項；“σ(·)”表示sigmoid函數，“tanh(·)”表示雙曲正切函數；“*”表示逐點相乘；

步驟2.4：計算當前神經元的隱藏狀態h_t，并傳遞到下一神經元；

步驟2.5：用Multi-category entropy作為損失函數，一直訓練循環上述步驟直到模型收斂。

4.根據權利要求1所述基于門控循環單元網絡的軸承故障識別方法，其特征在于，所述步驟3的主要步驟如下：

步驟3.1：在驗證集上測試已訓練好的模型；

步驟3.2：根據模型結果調節參數；

步驟3.3：參數調節完成，保存模型。

5.根據權利要求1所述基于門控循環單元網絡的軸承故障識別方法，其特征在于，所述步驟4的主要步驟如下：

步驟4.1：將測試集用于測試最終訓練好的分類模型；

步驟4.2：將所有的預測結果與真實值進行對比，得到最終的模型評價指標；

步驟4.3：將所得結果與其他方法進行對比，可以得出本模型的優越性；

步驟4.4：最終的分類模型可以用于實際旋轉機械的故障檢測環節。