[發明專利]基于卷積循環神經網絡的軸承故障診斷模型的構建方法

在審

• 申請號: 202011500514.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112729825A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 王昭;李驍猛;李娜;賀志學;段志強
• 申請（專利權）人: 中車永濟電機有限公司
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06N3/04
• 代理公司: 太原科衛專利事務所(普通合伙) 14100
• 代理人: 朱源

1.基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，包括以下步驟：

步驟一：預置軸承的A個故障類型；

步驟二：原始信號采集與分幀處理：將發電機安裝在試驗臺上，轉子短接，發電機空載運行；使發電機分別在步驟一中的A個故障類型下運行，并在每個軸承故障類型時分別采集發電機傳動端軸承的轉速為n₁、n₂、n₃、……、n_m下的T時間范圍內連續的Z軸方向加速度信號，得到A×m個原始信號，將每個原始信號分割成B份，每份的時間間隔t為T/B，并對每份添加故障類型標簽，使每個原始信號形成由B個帶故障標簽時間序列數據構成的原始信號數據集；信號采樣頻率為Fs，每個帶故障標簽時間序列數據包含N個采樣點，N＝T/B×Fs；

每個原始信號數據集的每個帶故障標簽時間序列數據中的N個采樣點，經過離散傅立葉變換的快速算法，得到N個采樣點的離散傅立葉變換的快速算法結果，使每個帶故障標簽時間序列數據的每個采樣點的時域值，對應一個頻域值，將每個時域值和對應的頻域值合并，從而使每個帶故障標簽時間序列數據從時域一維（1×N）變為時域頻域二維（2×N）；

從每個原始信號數據集中隨機抽出B×a%個數據，共計得到A×m×B×a%個數據作為訓練樣本，其余的A×m×B×（1－a%）個數據作為驗證樣本；

步驟三：建立深度學習網絡：使用步驟二中得到的A×m×B×a%個訓練樣本訓練卷積循環神經網絡模型，卷積循環神經網絡模型訓練過程是以訓練樣本的部分轉速數據作為訓練集，訓練樣本的剩余轉速數據作為驗證集對網絡的識別準確率和泛化能力進行驗證，所述卷積循環神經網絡模型由卷積神經網絡和長短時間記憶網絡融合而成，指定卷積循環神經網絡模型的訓練參數，最終卷積循環神經網絡模型輸出故障的類別；

步驟四：驗證卷積循環神經網絡模型的分類結果：將步驟二中A×m×B×（1－a%）個驗證樣本導入步驟三中的卷積循環神經網絡模型中，得到全部故障類型的分類結果，并得到分類結果的總體準確率；若分類總體準確率不滿足指標要求，則返回步驟三中，對卷積神經網絡和長短時間記憶網絡的深度或層數進行調整，并對訓練參數進行修改，直至分類總體準確率滿足指標要求，保存此時刻卷積循環神經網絡模型。

2.根據權利要求1所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，步驟三中卷積循環神經網絡模型依次包括序列輸入層、序列折疊層、卷積網絡層、序列展開層、扁平層、長短時記憶層和分類輸出層。

3.根據權利要求2所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，步驟三中卷積循環神經網絡模型中的長短時記憶層和分類輸出層之間還包括丟棄層。

4.根據權利要求3所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，丟棄層的丟棄概率為0.5。

5.根據權利要求3所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，步驟三中卷積循環神經網絡模型中的卷積網絡層依次包括卷積層、批歸一化層、ReLU激活層、最大值池化層、卷積層、批歸一化層、ReLU激活層和最大值池化層。

6.根據權利要求5所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，卷積網絡層中兩個卷積層的卷積核大小均為[1×8]，卷積網絡層中兩個最大值池化層的池化核大小均為[1×2]。

7.根據權利要求3所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，步驟三中卷積循環神經網絡模型中的分類輸出層依次包括全連接層、分類函數層和分類層。

8.根據權利要求7所述的基于卷積循環神經網絡的軸承故障診斷模型的構建方法，其特征在于，通過全連接層、分類函數層和分類層將網絡的輸出定義為步驟一中的A個故障類型。