[發(fā)明專利]一種LSTM-E軸承故障識別模型訓(xùn)練方法

在審

• 申請?zhí)枺?/td>: 202011190307.4
• 申請日: 2020-10-30
• 公開（公告）號: CN112364991A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計(jì)）人: 瞿波;方淳;李軍;鐘愛國;秦利明
• 申請（專利權(quán)）人: 臺州學(xué)院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01M13/045
• 代理公司: 北京盛凡智榮知識產(chǎn)權(quán)代理有限公司 11616
• 代理人: 鮑敬

1.一種LSTM-E軸承故障識別模型訓(xùn)練方法，其特征在于，包括如下步驟：

S1、數(shù)據(jù)搜集：通過批量搜集凱斯西儲大學(xué)公開軸承數(shù)據(jù)集中多種不同參數(shù)情況下的軸承頻率數(shù)據(jù)；

S2、數(shù)據(jù)集的制作和處理：分別對收集到的軸承頻率數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，并標(biāo)注對應(yīng)數(shù)據(jù)標(biāo)簽；

S3、建立LSTM-E診斷模型：對處理過的多個(gè)軸承頻率數(shù)據(jù)分別利用基于LSTM-E神經(jīng)網(wǎng)絡(luò)建立局部診斷模型；

S4、模型訓(xùn)練判別：數(shù)據(jù)基于LSTM原理和多層感知機(jī)模型層層擬合，構(gòu)建損失函數(shù)和優(yōu)化器，不斷自更新權(quán)重，對局部診斷模型輸出的診斷結(jié)果進(jìn)行概率值估計(jì)并得到最終判別結(jié)果；

S5、驗(yàn)證數(shù)據(jù)集：在CWRU軸承數(shù)據(jù)集上驗(yàn)證模型性能。

2.根據(jù)權(quán)利要求1所述的一種LSTM-E軸承故障識別模型訓(xùn)練方法，其特征在于：所述步驟S1中，通過批量搜集凱斯西儲大學(xué)公開軸承數(shù)據(jù)集中多種不同參數(shù)情況下的軸承頻率數(shù)據(jù)，情況分別為在電機(jī)近似轉(zhuǎn)速為1797r/min，電機(jī)載荷為0的固定前提下，分別在故障直徑為0.1778mm、0.3556mm、0.5334mm的條件下取內(nèi)圈故障、滾動(dòng)體故障和外圈相對位置符合區(qū)的軸承頻率數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種LSTM-E軸承故障識別模型訓(xùn)練方法，其特征在于：所述步驟S2中，分別對收集到的軸承頻率數(shù)據(jù)進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化，并標(biāo)注對應(yīng)數(shù)據(jù)標(biāo)簽，具體包括以下幾個(gè)步驟：

S2-1、分別對S1中搜集到的不同參數(shù)下的軸承頻率數(shù)據(jù)設(shè)置2個(gè)信號周期，每個(gè)信號周期10類信號，每個(gè)類別1000個(gè)數(shù)據(jù)；

S2-2、標(biāo)注對應(yīng)信號的標(biāo)簽；

S2-3、基于原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差對數(shù)據(jù)集進(jìn)行Z-score標(biāo)準(zhǔn)化，將所有數(shù)據(jù)都壓縮在0附近，方差為1的區(qū)間內(nèi)便于反向求導(dǎo)自更新計(jì)算；

S2-4、對訓(xùn)練集和驗(yàn)證集采樣順延實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)；

S2-5、設(shè)置訓(xùn)練集、驗(yàn)證集、測試集比例分別為70％、20％、10％。

4.根據(jù)權(quán)利要求1所述的一種LSTM-E軸承故障識別模型訓(xùn)練方法，其特征在于：所述步驟S3和S4中，所述LSTM-E軸承故障識別模型由keras框架搭建，網(wǎng)絡(luò)結(jié)構(gòu)為6層結(jié)構(gòu)(LSTM-E為神經(jīng)網(wǎng)絡(luò)的模型名，LSTM-e為神經(jīng)網(wǎng)絡(luò)層名)：包括輸入層、32個(gè)堆疊的LSTM-e層、一個(gè)由relu激活函數(shù)構(gòu)成的activation層、一個(gè)由32個(gè)感知機(jī)組成的全連接層、一個(gè)抑制率為0.2的dropout層和一個(gè)softmax分類激活層，所述每個(gè)LSTM-e層包括16個(gè)LSTM記憶體細(xì)胞，并行接受相同的數(shù)據(jù)，每個(gè)神經(jīng)元以不同的權(quán)重輸出，將每一層的每個(gè)LSTM記憶神經(jīng)元輸出結(jié)果累加求reduce-mean并用tanH函數(shù)激活得到一個(gè)LSTM-e層輸出結(jié)果，該層輸出結(jié)果作為下一個(gè)LSTM-e層的輸入，如此循環(huán)，最后一個(gè)LSTM-e層的結(jié)果由activation層中的relu激活函數(shù)激活，經(jīng)32個(gè)感知機(jī)的全連接層的提取特征，dropout層使20％的感知機(jī)隨機(jī)失活，輸出結(jié)果為softmax分類層的輸入，最后由softmax分類層歸一概率最大化輸出模型判斷結(jié)果。

5.根據(jù)權(quán)利要求4所述的一種LSTM-E軸承故障識別模型訓(xùn)練方法，其特征在于：將S2-5中已經(jīng)劃分好的10％的測試集數(shù)據(jù)輸入至LSTM-E模型，輸出結(jié)果的準(zhǔn)確率為100％。