基于LSTM的印刷机轴承故障诊断方法及装置制造方法及图纸

基于LSTM的印刷机轴承故障诊断方法及装置，能够解决印刷机轴承故障预警问题，减少非计划停机，提高轴承使用寿命，降低印刷设备故障率。方法包括：(1)建立作用在时域振动信号上的长短期记忆网络模型；(2)使用该模型对轴承的时域振动信号进行诊断；(3)选取凯斯西储大学轴承数据库的部分数据进行仿真实验，获取故障识别率。障识别率。障识别率。

【技术实现步骤摘要】
基于LSTM的印刷机轴承故障诊断方法及装置


[0001]本专利技术涉及印刷装备运转监测的
，尤其涉及一种基于LSTM的印刷机轴承故障诊断方法，以及基于LSTM的印刷机轴承故障诊断装置。

技术介绍

[0002]印刷装备正朝着高速化、精密化、系统化和自动化的方向发展，印刷装备的健康检测系统日益完善，装备运转监测数据已经逐步迈入海量数据的“大数据”时代。利用先进的故障诊断方法对印刷装备进行有效的故障检测、诊断，是保证装备健康、稳定运行的关键。轴承作为印刷装备中最为重要的零件，分析其故障及损坏情况，可以帮助我们改进工作，提高轴承使用寿命，降低印刷设备故障率。
[0003]轴承故障诊断的核心方法在于信号特征的提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换以及信号的统计学特征等，常见的模式分类算法有近邻分类器，BP神经网络(也称多层感知器)，卷积神经网络等。当下轴承故障诊断的研究热点可以归结为3类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及专利技术新的传感器。

技术实现思路

[0004]为克服现有技术的缺陷，本专利技术要解决的技术问题是提供了一种基于LSTM的印刷机轴承故障诊断方法，其能够解决印刷机轴承故障预警问题，减少非计划停机，提高轴承使用寿命，降低印刷设备故障率。
[0005]本专利技术的技术方案是：这种基于LSTM(Long Short Term Memory,长短期记忆网络)的印刷机轴承故障诊断方法，其包括以下步骤：r/>[0006](1)建立作用在时域振动信号上的长短期记忆网络模型；
[0007](2)使用该模型对轴承的时域振动信号进行诊断；
[0008](3)选取凯斯西储大学轴承数据库的部分数据进行仿真实验，获取故障识别率；
[0009]所述步骤(1)中，长短期记忆网络模型包含四个神经网络层：
[0010]遗忘门层：由Sigmod层组成，决定什么信息应该被神经元遗忘；输入h
t
‑1和x
t
，然后在C
t
‑1的每个神经元状态输出0～1之间的数字，1表示完全保留，0表示完全忘记
[0011]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀ
(1)
[0012]式中：σ为sigmoid激活函数；W
f
为权重；b
f
为偏置；x
t
为当前样本输入，h
t
‑1为上一序列输出；
[0013]输入层：由Sigmod层组成，决定要更新的数值；
[0014]tanh层：生成一个新的候选数值被增加到神经元状态中；
[0015]组合输入层和tanh层这两层生成一个更新状态值，决定神经元要保存什么信息
[0016]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017][0018][0019]式中：i
t
代表输入层对新信息的更新程度；为当前新状态信息的候选向量；f
t
*C
t
‑1表示需要忘记的信息；表示需要保留的信息；C
t
代表当前细胞状态；
[0020]输出层：建立在神经元状态的基础上，拥有一个滤波器；首先使用Sigmod层决定哪一部分的神经元状态需要被输出，然后让神经元状态经过tanh层并乘上Sigmod门限的输出
[0021]o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0022]h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0023]式中：o
t
表示输出层的信息输出；h
t
为隐藏层的输出，同时也将输入到下一个LSTM单元。
[0024]在传统的循环神经网络中，训练算法一般采用反向传播，当数据为长时间序列时，返回的残差呈指数递减，导致模型权重更新逐渐缓慢，最终呈现出无变化趋势，因此需要一个存储单元来存储丢失的历史信息，本专利技术选择长短期记忆网络是因为它在处理时间序列数据上具有优势，然后使用该模型对轴承的时域振动信号进行诊断，最后选取凯斯西储大学轴承数据库的部分数据进行仿真实验，结果证实了该模型的可行性和有效性，能够解决印刷机轴承故障预警问题，减少非计划停机，提高轴承使用寿命，降低印刷设备故障率。
[0025]还提供了基于LSTM的印刷机轴承故障诊断装置，其包括：
[0026]建模模块，其配置来建立作用在时域振动信号上的长短期记忆网络模型；
[0027]诊断模块，其配置来使用该模型对轴承的时域振动信号进行诊断；
[0028]实验模块，其配置来选取凯斯西储大学轴承数据库的部分数据进行仿真实验，获取故障识别率；
[0029]所述建模模块中，长短期记忆网络模型包含四个神经网络层：
[0030]遗忘门层：由Sigmod层组成，决定什么信息应该被神经元遗忘；输入h
t
‑1和x
t
，然后在C
t
‑1的每个神经元状态输出0～1之间的数字，1表示完全保留，0表示完全忘记
[0031]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀ
(1)
[0032]式中：σ为sigmoid激活函数；W
f
为权重；b
f
为偏置；x
t
为当前样本输入，h
t
‑1为上一序列输出。
[0033]输入层：由Sigmod层组成，决定要更新的数值；
[0034]tanh层：生成一个新的候选数值被增加到神经元状态中；
[0035]组合输入层和tanh层这两层生成一个更新状态值，决定神经元要保存什么信息
[0036]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀ
(2)
[0037][0038][0039]式中：i
t
代表输入层对新信息的更新程度；为当前新状态信息的候选向量；f
t
*C<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LSTM的印刷机轴承故障诊断方法，其特征在于：其包括以下步骤：(1)建立作用在时域振动信号上的长短期记忆网络模型；(2)使用该模型对轴承的时域振动信号进行诊断；(3)选取凯斯西储大学轴承数据库的部分数据进行仿真实验，获取故障识别率；所述步骤(1)中，长短期记忆网络模型包含四个神经网络层：遗忘门层：由Sigmod层组成，决定什么信息应该被神经元遗忘；输入h
t
‑1和x
t
，然后在C
t
‑1的每个神经元状态输出0～1之间的数字，1表示完全保留，0表示完全忘记f
t
＝σ(W
f
·
[h
t
‑1，x
t
]+b
f
)
ꢀꢀꢀꢀ
(1)式中：σ为sigmoid激活函数；W
f
为权重；b
f
为偏置；x
t
为当前样本输入，h
t
‑1为上一序列输出；输入层：由Sigmod层组成，决定要更新的数值；tanh层：生成一个新的候选数值被增加到神经元状态中；组合输入层和tanh层这两层生成一个更新状态值，决定神经元要保存什么信息i
t
＝σ(W
i
·
[h
t
‑1，x
t
]+b
i
)
ꢀꢀꢀꢀ
(2)(2)式中：i
t
代表输入层对新信息的更新程度；为当前新状态信息的候选向量；f
t
*C
t
‑1表示需要忘记的信息；表示需要保留的信息；C
t
代表当前细胞状态；输出层：建立在神经元状态的基础上，拥有一个滤波器；首先使用Sigmod层决定哪一部分的神经元状态需要被输出，然后让神经元状态经过tanh层并乘上Sigmod门限的输出o
t
＝σ(W
o
·
[h
t
‑1，x
t
]+b
o
)
ꢀꢀꢀꢀꢀ
(5)h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀ
(6)式中：o
t
表示输出层的信息输出；h
t
为隐藏层的输出，同时也将输入到下一个LSTM单元。2.根据权利要求1所述的基于LSTM的印刷机轴承故障诊断方法，其特征在于：所述步骤(1)中，使用的深度学习框架为Google公司的Tensorflow，所用计算机的配置为CPU i7
‑
7700，内存16GB，利用python在Tensorflow环境下搭建长短期记忆网络模型；该模型包含输入层、隐藏层、全连接层和输出层，输入层为400x1的二维数组，表示为400个时间步和一个特征；隐藏层包含20个单元，后接全连接层输出10种故障分类中每种分类的可能性，连接激活函数得到最终结果。3.根据权利要求2所述的基于LSTM的印刷机轴承故障诊断方法，其特征在于：所述步骤(1)中，网络选用非线性激活函数softmax，损失函数为分类交叉熵；Softmax函数为每一个输出分类的结果赋予一个概率值，表示属于每个分类的可能性；Softmax函数的定义公式如下：其中，x
i
为第i个节点的输出值，C为输出节点的个数，是分类的类别个数；通过Softmax函数将多分类的输出值转换为范围在[0，1]并且和为1的概率分布。
4.根据权利要求3所述的基于LSTM的印刷机轴承故障诊断方法，其特征在于：所述步骤(1)中，当使用Softmax函数作为输出节点的激活函数时，使用交叉熵作为损失函数，交叉熵的公式为：其中，n为batch size，C为输出的节点个数，y为真实分布，也就是样本标签分布，x为预测分布，也就是神经网络的预测得分。5.根据权利要求4所述的基于LSTM的印刷机轴承故障诊断方法，其特征在于：所述步骤(3)中，实验对象为驱动端轴承，被诊断的轴承型号为深沟球轴承SKF6205，轴承的损伤是使用电火花加工的单点损伤，系统采样频率为12kHz，电机转速为1797rpm；轴承故障设置3种缺陷位置，分别是滚动体损伤、内圈损伤和外圈损伤，损伤的直径大小分为0.007inch、0.014inch和0.021i...

【专利技术属性】
技术研发人员：魏煦航，杨树林，李旸，王佳，杨彦红，
申请(专利权)人：北京印刷学院，
类型：发明
国别省市：