[發明專利]一種LSTM-E軸承故障識別模型訓練方法

在審

• 申請號: 202011190307.4
• 申請日: 2020-10-30
• 公開（公告）號: CN112364991A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 瞿波;方淳;李軍;鐘愛國;秦利明
• 申請（專利權）人: 臺州學院
• 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權代理有限公司 11616
• 代理人: 鮑敬

本發明公開了一種LSTM?E軸承故障識別模型訓練方法，包括如下步驟：S1、數據搜集：通過批量搜集凱斯西儲大學公開軸承數據集中多種不同參數情況下的軸承頻率數據；S2、數據集的制作和處理：分別對收集到的軸承頻率數據進行預處理和標準化，并標注對應數據標簽；S3、建立LSTM?E診斷模型：對處理過的多個軸承頻率數據分別利用基于LSTM?E神經網絡建立局部診斷模型；S4、模型訓練判別：數據基于LSTM原理和多層感知機模型層層擬合，構建損失函數和優化器，不斷自更新權重，對局部診斷模型輸出的診斷結果進行概率值估計并得到最終判別結果；S5、驗證數據集：在CWRU軸承數據集上驗證模型性能，預測準確率達到100％，從而解決了現有的基于神經網絡的LSTM軸承故障識別模型預測準確率較低的問題。

技術領域

本發明涉及振動檢測技術領域，具體涉及一種LSTM-E軸承故障識別模型訓練方法。

背景技術

軸承是機械設備中承載旋轉類部件的核心承重零件，以滾動軸承為典型代表。在機械設備工作過程中，多變的沖擊載荷可能使得軸承出現故障問題，并且隨著機械設備的使用，前述故障的嚴重性逐步增大并可能造成連鎖性故障；正因為如此，及早發現軸承的故障十分重要。

目前，用于診斷軸承故障的方法有時域分析方法、頻域分析方法和深度學習方法；時域分析方法通過測量的振動信號的時域波形進行統計分析而獲得始于統計指標；時域統計指標包括信號的最大值、均方根值、峭度指標、峰值指標等；因為微小故障的振動信號特征很弱，采用時域統計指標并不能有效地挖掘故障信息和故障特性；頻域分析方法通過對振動信號進行傅里葉變換、希爾伯特變換等方法處理獲得頻域信號后，再通過功率譜分析、包羅解調譜分析、倒譜分析或者譜峭度分析方法識別故障類型。

現有的深度學習方法有基于神經網絡的LSTM軸承故障識別模型進行預測，但該種預測方法的準確率較低，為此我們提供了一種更加較為準確的軸承故障識別模型訓練方法。

發明內容

本發明所要解決的技術問題在于：如何解決現有的基于神經網絡的LSTM軸承故障識別模型進行預測，但該種預測方法的準確率較低的問題，提供了一種LSTM-E軸承故障識別模型訓練方法。

本發明是通過以下技術方案解決上述技術問題的，本發明包括如下步驟：

S1、數據搜集：通過批量搜集凱斯西儲大學公開軸承數據集中多種不同參數情況下的軸承頻率數據；

S2、數據集的制作和處理：分別對收集到的軸承頻率數據進行預處理和標準化，并標注對應數據標簽；

S3、建立LSTM-E診斷模型：對處理過的多個軸承頻率數據分別利用基于LSTM-E神經網絡建立局部診斷模型；

S4、模型訓練判別：數據基于LSTM原理和多層感知機模型層層擬合，構建損失函數和優化器，不斷自更新權重，對局部診斷模型輸出的診斷結果進行概率值估計并得到最終判別結果；

S5、驗證數據集：在CWRU軸承數據集上驗證模型性能。

進一步，所述步驟S1中，通過批量搜集凱斯西儲大學公開軸承數據集中多種不同參數情況下的軸承頻率數據，情況分別為在電機近似轉速為1797r/min，電機載荷為0的固定前提下，分別在故障直徑為0.1778mm、0.3556mm、0.5334mm的時候取內圈故障，滾動體故障和外圈相對位置符合區的軸承頻率數據。

進一步，所述步驟S2中，分別對收集到的軸承頻率數據進行預處理和標準化，并標注對應數據標簽，具體包括以下幾個步驟：

S2-1、分別對S1中搜集到的不同參數下的軸承頻率數據設置2個信號周期，每個信號周期10類信號，每個類別1000個數據；

S2-2、標注對應信號的標簽；