一种基于混合深度学习算法的高铁轴承早期故障识别方法技术

本发明专利技术公开一种基于混合深度学习算法的高铁轴承早期故障识别方法，S1、数据集的生成；S2、使用处理过的数据对CNN

【技术实现步骤摘要】
一种基于混合深度学习算法的高铁轴承早期故障识别方法


[0001]本专利技术属于高铁轴箱轴承早期故障识别
，具体的说是一种基于混合深度学习算法的高铁轴承早期故障识别方法。

技术介绍

[0002]截止2021年我国高铁运营总里程以超过4万公里，占有世界高铁总里程的三分之二，稳居世界第一。高铁也逐渐成为人们出行的首选方式，但是这也给维护铁路安全运行带来了巨大的挑战。轴箱轴承作为高铁主要承载部件，其早期故障识别也面临巨大挑战。
[0003]常见的高铁轴箱轴承早期故障识别方法主要采用振动信号进行特征提取和故障识别。传统的特征提取方法有小波变换、小波包分解、傅里叶变换、奇异值分解等方法获得滚动轴承振动信号中的关键信息，将提取到的信息重新制作指标，是从而实现高铁轴箱轴承早期故障识别。深度学习在现阶段得到非常广泛的应用，特别是应用于图像识别领域的卷积神经网络(CNN)和自然语言处理的长短时记忆神经网络(LSTM)。CNN能够有效的对数据中的隐藏特征进行提取，同时在故障识别方面取得了巨大的成就。LSTM为循环神经网络(RNN)的一个重要的分支，主要用于处理与时间序列，在时间序列的故障识别方面也取得了成功。CNN对于局部的信息利用比较完善，忽略了全局与局部之间的关系。LSTM的固有特性导致其考虑不到局部特征，单向的LSTM只能利用到当前时刻单侧的信息，这导致将其振动信号利用不充分等问题。同时，在训练的过程中还有可能会导致过拟合现象的产生。

技术实现思路

[0004]本专利技术为解决上述问题，提出了一种基于混合深度学习算法的高铁轴承早期故障识别方法，将CNN与双向长短时记忆神经网络(BiLSTM)结合，使振动信号能够得到充分的利用，从而完成对高铁轴向轴承早期故障的识别。
[0005]本专利技术通过以下技术方案来实现：
[0006]一种基于混合深度学习算法的高铁轴承早期故障识别方法，主要步骤为：
[0007]S1、数据集的生成：使用传感器对轴承运行过程中的振动信号进行采集；
[0008]S2、使用处理过的数据对CNN
‑
BiLSTM构建的算法进行训练，具体方法如下：
[0009]S2.1、将输入信号输入到卷积层中，进行卷积操作；
[0010]S2.2、卷积层中使用批正则化层以及Relu线性激活单元；
[0011]S2.3、进行最大池化操作，只选择池化框中输出的最大值；
[0012]S2.4、重复S2.1
‑
S2.3三次；
[0013]S2.5、将最后一次的池化结果输入到两层的BiLSTM循环神经网络中，使用tanh非线性函数，增强网络的非线性拟合能力，同时每一层中都使用Dropout层丢弃掉部分神经元的输出结果；
[0014]S2.6、将最后一层BiLSTM的第一个单元的输出和最后一个单元的输出展平，输入到全连接层，使用Relu激活函数和dropout层；
[0015]S3、将结果输出到输出层，同时使用softmax函数判断振动信号状态，判断各个类别的可能性；
[0016]S4、重复S2
‑
S3，多次训练模型。
[0017]进一步的，步骤一中，采集数据的方法为：根据滚动轴承的转速，以及传感器的采样频率，选择适当的长度作为输入，选重叠采样的方法，将数据集划分为训练集和测试集，训练集用于直接输入模型，对模型进行训练，测试集用于对训练过的模型进行评估。
[0018]进一步的，在CNN结构中，位于第一层的卷积层采用了较宽的卷积核以及较大的步长。
[0019]进一步的，S2.5中两层的双向长短时记忆网络中单元数不等。
[0020]进一步的，两层双向长短时记忆网络的单元个数分别为40和50。
[0021]进一步的，dropout值均为0.2。
[0022]本专利技术的有益效果在于：
[0023]1、本专利技术直接将原始信号作为输入，有效的降低了特征提取的繁琐过程。通过CNN与BiLSTM的结合，充分的将CNN提取到的特征作为时间序列，使网络对于振动特征的提取更加快捷有效，有效的提高了轴承故障识别的准确率；
[0024]2、为了避免过拟合现象的产生，本专利技术一方面使用重叠采样的方法获得更多的数据集，另一方面在网络中适当的添加了一些批正则化层和Dropout层避免过拟合现象的产生，且在CNN结构中，第一层采用了较宽的卷积核以及较大的步长，对噪声和无用信息具有一定的抑制作用，加快网络训练速度，使得训练过程更短；
[0025]3、另外在BiLSTM结构中，使用两层单元数不等的双向长短时记忆网络，其对时序信息利用更加充分，选择将最后一层的长短时记忆网络的第一个单元的输出和最后一个单元的同时输出展平，可以大大减少全连接层的参数。
附图说明
[0026]图1为本专利技术总体框架的示意图；
[0027]图2为振动信号重叠采样分割示意图。
具体实施方式
[0028]下面根据附图对本专利技术实施例中的技术方案进行清楚、完整地描述。
[0029]实施例1
[0030]本专利技术的原理流程图如图1所示，通过数据划分得到多条数据，形成数据集。在CNN
‑
BiLSTM模型中完成训练过程实现自动分类。下面为具体提示案例，并结合附图对本专利技术做进一步介绍。
[0031]使用的振动数据是由美国凯斯西储大学(CWRU)提供的，实验轴承为SKF 6205
‑
2RSJEM深沟球轴承。试验使用一台2hp的电机驱动，采集靠近电机端轴承的振动信号，采样频率为12kHZ。数据集包含3种故障，分别是内圈故障、外圈故障、滚动体故障，每种故障包含3种不同的故障等级(7mils，14mils，21mils)。样本数据共计有10种轴承状态，分别为正常、内圈故障7mils、内圈故障14mils、内圈故障21mils、外圈故障7mils、外圈故障14mils、外圈故障21mils、滚动体故障7mils、滚动体故障14mils、滚动体故障21mils。
[0032]进一步的，步骤S1详细过程如下：
[0033]数据集的生成，数据集选用的工况是0hp，转速分别为1797rpm，在每种工况各选择240个训练样本，50个测试样本。一共10类，共计2400个训练样本，500个测试样本。根据采样频率12kHZ，可以计算出每转的采样点数Ns，可估计为：
[0034][0035]为了更充分的得到振动特征，样本大约取1600(约为轴承旋转3
‑
4圈的采样点数)进行划分，进行重叠采样。详细划分过程见图2，实验数据见表1。
[0036]表1实验数据
[0037][0038]进一步的，S2构建CNN
‑
BiLSTM算法，由于卷积层中的批正则化层与激活层(使用的是ReLU函数)没有参数要求，因此，在表中进行省略，算法参数如表二表三所示。
[0039]表2CNN部分算法参数...

【技术保护点】

【技术特征摘要】
1.一种基于混合深度学习算法的高铁轴承早期故障识别方法，其特征在于：主要步骤为：S1、数据集的生成：使用传感器对轴承运行过程中的振动信号进行采集；S2、使用处理过的数据对CNN
‑
BiLSTM构建的算法进行训练，具体方法如下：S2.1、将输入信号输入到卷积层中，进行卷积操作；S2.2、卷积层中使用批正则化层以及Relu线性激活单元；S2.3、进行最大池化操作，只选择池化框中输出的最大值；S2.4、重复S2.1
‑
S2.3三次；S2.5、将最后一次的池化结果输入到两层的BiLSTM循环神经网络中，使用tanh非线性函数，增强网络的非线性拟合能力，同时每一层中都使用Dropout层丢弃掉部分神经元的输出结果；S2.6、将最后一层BiLSTM的第一个单元的输出和最后一个单元的输出展平，输入到全连接层，使用Relu激活函数和dropout层；S3、将结果输出到输出层，同时使用softmax函数判断振动信号状态，判断各个类别的可能性；S4、重复S2

【专利技术属性】
技术研发人员：李军星，徐行，贾现召，邱明，庞晓旭，董艳方，杨传猛，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：