【技术实现步骤摘要】
本申请涉及轴承故障检测的，尤其涉及一种基于离散小波变换与cnn-bilstm的轴承故障检测方法。
技术介绍
1、滚动轴承是一种将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的重要机械元件，广泛应用于各种机械设备、交通、航空航天、船舶、货运等领域。但研究表明，大小型机械产生故障大多源于轴承故障。机械运转过程中，外界异物堵塞、液体腐蚀，锈蚀、过载等都会造成轴承故障。
2、目前轴承故障诊断的方法主要集中在动力学模型研究、信号处理方法研究和智能诊断方法研究这三个方面。其中智能诊断领域，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期记忆神经网络(lstm)。卷积神经网络具有强大的特征学习能力且在二维图像处理方面具有很大优势。但单一卷积神经网络模型对故障特征的提取仍存在部分特征提取不足，且cnn主要优于局部信息的提取利用，对于全局信息存在欠缺。长短期记忆神经网络是一种特殊的循环神经网络，专门用于对序列数据的处理。lstm对时间信号的敏感程度很高，主要作用在对前向信息的处理，能很好的捕捉信息数据的长期依赖关系，反映全局前、后信息的紧密关系。但lstm的固有特性导致其考虑不到局部特征，且lstm常用于前向信息的处理，只能单向利用数据，易导致信息利用不充分。
3、除此，机械运行产生轴承故障时故障信号极易被噪声污染严重，几乎无法辨析出原信号的振动特征。因此，从带有噪声的信号中提取出有效的故障信息，也具有一定难度。
技术实现思
1、本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本申请的第一个目的在于提供一种基于离散小波变换与cnn-bi lstm的轴承故障检测方法，包括如下步骤：
3、s1:使用传感器对轴承运行过程中的振动信号进行采集；
4、s2:将采集到的原始振动信号带入离散小波变换进行分解与重构；
5、s3:先构建cnn卷积神经网络模型，然后再构建bi lstm双向长短期记忆神经网络模型；
6、s4:将变换之后的信号输入cnn模型中，进入卷积层进行归一化和特征提取；
7、s5:卷积层提取的特征数据输入到池化层进行池化压缩特征，筛选特征信息；
8、s6:多次重复步骤s4、s5，计算并更新cnn模型中的训练参数，满足终止条件为止；
9、s7:将最后一次池化结果输入到b i lstm模型中，在模型中对信息前向和后向的共同处理；
10、s8:将b i lstm最后一层的第一个单元的输出和最后一个单元的输出展平和扁平化，输入到全连接层；
11、s9：在全连接层中转换特征数据并执行分类任务，输出诊断结果。
12、进一步地，s2的具体步骤：
13、(a)将原始信号带入离散小波变换分解公式：
14、
15、
16、(b)重构公式：
17、
18、其中，n为小波分解后的信号个数，a为小波分解后的信号个数，xa，l表示第a层的低频信号，xa，h表示第a层的高频信号，g[k]表示低通滤波器，h[k]表示高通滤波器。
19、进一步地，s4的具体步骤：
20、在卷积层中使用batch norm(批标准化)层进行数据归一化增强泛化能力并且采用tanh激活函数
21、其中，bn层归一化原理如下：
22、若某一层batch的输入数据为x＝[x1，x2，…，xn]；
23、那么，mini-batch里元素的均值：
24、mini-batch的方差：
25、对每一个元素进行归一化：
26、最后进行尺度缩放和偏移操作：yi＝γi·xi+βi.
27、其中，γi为方差，βi为偏移。
28、进一步地，s5中，进入卷积层后对输入数据的每一个颜色通道均采用大小为7×7×3的卷积核并且根据相应公式依次滑动1个单元对样本数据进行特征提取，同时子采样层也对特征进行采样，特征提取后根据卷积得到的特征值绘制特征提取图；
29、其中，卷积后特征图大小计算公式：
30、
31、其中，w为输入矩阵大小，k为卷积核大小，s为滑动窗口的步长，p为补零的层数。
32、进一步地，s7中，将池化层最后一次池化的特征提取数据输入到两层的bilstm模型中，两层的bilstm模型包括bilstm的前向lstm层和后向lstm层，其中前向lstm层从前到后输入信息序列，后向lstm层从后到前输入信息序列；
33、传输过程中会产生前向传播层h(t)＝f(wxt+uht-1)和后向传播层两个隐藏层h′t＝f(wxt+uht-1)。
34、式中，f(·)为传播公式；w、w′分别为正向和反向xt和
35、ht-1间的连接权重矩阵；u、u分别为正向和反向ht-1与ht间的连接权重矩阵；ht和h′t分别为正向和反向的lstm输出值。
36、进一步地，s8中，bilstm模型增加使用tanh激活函数同时每一层中都使用dropout层丢弃掉神经元的输出结果；
37、dropout公式为：y＝mask*x/keep-prob
38、式中，x为输入向量，mask是与x维度相同的二进制向量，取值为0或1，表示随机丢弃的神经元，keep_prob为保留神经元的概率。
39、进一步地，s8中，将bilstm结果输出到输出层，同时使用soitmax函数判断振动信号状态；
40、其中，softmax函数：
41、式中zi为第i个节点的输出值，c为输出节点的个数，即分类的类别个数。
42、进一步地，s8中，在全连接层使用dropout层正则化和relu激活函数relu＝max(0，x)，通过全连接层将最终提取出来的特征数据转换成对应特征向量输向全连接网络并执行分类任务，输出诊断结果；
43、其中，全连接层的转换计算公式为：
44、w＝a×b+b；
45、b＝n×1；
46、y＝w×x+b.
47、式中，w为权重矩阵，a为输入神经元，b为输出神经元，x为输入变量，y为输出变量，b为偏移参量，n为分类数量即全连接层神经元的数量。
48、本专利技术的有益效果：
49、1.本专利技术采用小波变换提取故障信号的时频图，借用小波变换的显著去噪能力，很好的解决噪声干扰问题，提高初始信号特征提取的准确度。
50、2.本专利技术提出将cnn模型与bilstm模型相结合，通过bilstm能双向记录信息进行特征提取从而极好的改善了单一cnn模型对故障特征的提取存在不足情况，扩大数据提取的范围提高了故障检测精度，同时，bilstm也弥补lstm只能单向利用数据，导致信息利用本文档来自技高网...
【技术保护点】
1.一种基于离散小波变换与CNN-BiLSTM的轴承故障检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于离散小波变换与CNN-BiLSTM的轴承故障检测方法，其特征在于，S2的具体步骤：
3.根据权利要求1所述的基于离散小波变换与CNN-BiLSTM的轴承故障检测方法，其特征在于，S4的具体步骤：
4.根据权利要求1所述的基于离散小波变换与CNN-BiLSTM的轴承故障检测方法，其特征在于，S5中，进入卷积层后对输入数据的每一个颜色通道均采用大小为7×7×3的卷积核并且根据相应公式依次滑动1个单元对样本数据进行特征提取，同时子采样层也对特征进行采样，特征提取后根据卷积得到的特征值绘制特征提取图；
5.根据权利要求1所述的基于离散小波变换与CNN-BiLSTM的轴承故障检测方法，其特征在于，S7中，将池化层最后一次池化的特征提取数据输入到两层的BiLSTM模型中,两层的BiLSTM模型包括BiLSTM的前向LSTM层和后向LSTM层，其中前向LSTM层从前到后输入信息序列，后向LSTM层从后到前输入信息序列；
...【技术特征摘要】
1.一种基于离散小波变换与cnn-bilstm的轴承故障检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于离散小波变换与cnn-bilstm的轴承故障检测方法，其特征在于，s2的具体步骤：
3.根据权利要求1所述的基于离散小波变换与cnn-bilstm的轴承故障检测方法，其特征在于，s4的具体步骤：
4.根据权利要求1所述的基于离散小波变换与cnn-bilstm的轴承故障检测方法，其特征在于，s5中，进入卷积层后对输入数据的每一个颜色通道均采用大小为7×7×3的卷积核并且根据相应公式依次滑动1个单元对样本数据进行特征提取，同时子采样层也对特征进行采样，特征提取后根据卷积得到的特征值绘制特征提取图；
5.根据权利要求1所述的基于离散小波变换与cnn-bilstm的轴承故障检测方法，其特征在于，s7中，将池化层最后一次池化的特征提取数据输入到两层的bilstm模型中,两层的...
【专利技术属性】
技术研发人员：宋梦婷，杨琼，秦承志，刘静，叶青娣，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。