CN112507785A - 一种基于cnn和lstm的滚动轴承故障分析 - Google Patents
一种基于cnn和lstm的滚动轴承故障分析 Download PDFInfo
- Publication number
- CN112507785A CN112507785A CN202011205524.6A CN202011205524A CN112507785A CN 112507785 A CN112507785 A CN 112507785A CN 202011205524 A CN202011205524 A CN 202011205524A CN 112507785 A CN112507785 A CN 112507785A
- Authority
- CN
- China
- Prior art keywords
- time
- cnn
- layer
- network
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 230000015654 memory Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 101000709114 Homo sapiens SAFB-like transcription modulator Proteins 0.000 claims 1
- 102100032664 SAFB-like transcription modulator Human genes 0.000 claims 1
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 30
- 238000004590 computer program Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000036391 respiratory frequency Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009760 electrical discharge machining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种基于CNN和LSTM的滚动轴承故障分类方法。获取轴承振动数据并预处理，构建数据集。对处理后的振动数据使用巴特沃斯滤波器(Butterworth Filter)去噪声，并进行快速傅里叶变换(FFT)将预处理的时域信号转化为频域信号。利用CNN网络进行学习来获取时域图、频域图的图像特征，通过Add层进行图像特征融合。将CNN学习获得的图像特征输入到LSTM网络中，通过LSTM网络学习特征中包含的时序特征，通过一个全连接层和Softmax函数实现分类功能。用训练好的网络对测试样本进行故障分类，对滚动轴承微弱故障的早期检测分析具有重要的现实意义和实用价值。
Description
技术领域
本申请属于机器学习和故障识别技术领域，特别是涉及深度学习模型CNN与深度学习模型LSTM的滚动轴承故障分析方法。
背景技术
滚动轴承故障诊断技术一直以来都是机械故障诊断领域中的重要研究课题。列车作为一种复杂机械设备广泛应用于公共出行。列车机械***出现故障，干扰交通***的运作，严重时更会危及人员的安全，造成巨大的经济损失。滚动轴承是列车的核心零部件。据统计，30％的机械设备故障是由轴承故障引起的，对滚动轴承微弱故障的早期检测分析具有重要的现实意义和实用价值。不同的故障类型具有不同的信号特征，振动信号能够直观地反映出轴承的健康状态，因此应用较为广泛。信号特征主要包表现形式分为两种：时域和频域，然而单纯的通过时域分析或频域分析无法完全地表现振动信号中的故障特征。近年来，卷积神经网络(convolutional neural network，CNN) 被广泛应用于图像处理、语音识别、故障分析等领域中。在轴承故障诊断中，将一维时序数据或二维时频图作为输入，通过神经网络进行训练提取故障特征被证明可以在有噪声变工况的场景下对故障进行分析。
Jing等利用CNN从振动信号的频谱中学习特征，实现变速箱的健康状态监测。Qu等提出了一维卷积神经网络故障诊断算法，实现了基于深度网络的自适应特征提取和故障诊断。SE等从电动机的频谱中通过快速傅里叶变换使用频率分量训练CNN。Zhuang等使用长短时记忆网络(Long Short-Term Memory，LSTM)网络通过栅极结构提取时序数据的时间特征，增强模型的泛化能力。Ren等结合时域和频域特征提出一种多轴承剩余使用寿命协同预测的集成深度学习方法，获取了良好的预测效果。Liu 使用CNN+LSTM模型并通过一个激活层映射成一个寿命指标，进而对轴承寿命进行预测。
虽然CNN模型能够充分提取数据的空间特征，但不能提取数据的时间特征。在数据量较大的情况下，LSTM网络又难以提取数据的非线性特征，数据特征提取不足，收敛速度也较慢。且相较于将时域特征或频域特征作为输入的模型，结合时域和频域特征的模型会表现出更优秀的分类效果。
发明内容
本发明的目的是提供一种基于CNN和LSTM的滚动轴承故障分析方法。充分利用CNN的空间特征提取能力和LSTM的时序特征学习能力，充分提取振动图像与时间依赖的关系，通过全连接层和 softmax层对滚动轴承振动特征进行分类识别和故障判断，增强分类精度。且LSTM相比于传统的RNN，解决了梯度消失的问题，能降低训练模型的难度。
根据本申请的一个方面，提供了一种基于CNN和LSTM的轴承故障分析方法，包括：
获取轴承振动数据，对含有噪声的振动数据采用巴特沃思滤波器 (Butterworthfilter)处理呼吸频率信号。
其中巴特沃斯滤波器的公式为：
其中n＝滤波器的阶数，ωc为截止频率取振幅下降为-3分贝时的频率。滤波器的滤波器默认阶数为2，高阶巴特沃思滤波器虽然可以在截止频率附近实现更清晰的滚降，但也会造成严重的信号失真，影响结果的精度，实验中发现使用阶数为1的滤波器性能更好，即使用一阶巴特沃思滤波器对含有噪声的振动数据进行处理；
通过快速傅里叶变换(fast Fourier transform，FFT)将预处理信号的描述从时域转换到频域；
FFT利用离散信号计算信号X(k)的频谱。其中FFT的公式为：
即使用FFT算法可以降低频域转换计算量、提高转换速度，其时间复杂度为o(nolg2n)。
对处理后得到的时域图、频域图作为输入，分别通过预设好的 CNN网络进行训练，CNN只对一维时间轴上的数据进行卷积运算，沿时域信号和时频图的时间t轴移动提取图像特征。CNN通过3个卷积层来进行特征提取。池化层位于每个卷积层的后面对特征图进行降维，这里是通过使用最大池化操作减少输出的复杂度和防止数据的过拟合，保留数据的时间特征；
其中最大池化层计算公式为：
其中w、d为最大池化滤波器预设的长和宽。
将CNN学习得到的时域图、频域图特征通过add层进行特征融合，图像的维度本身并没有增加，每一维下的信息量增加了，通过add 层进行特征融合可以保留时间特征。将融合特征作为长短时记忆网络层的输入；
将add层特征融合后得到的融合特征输入到长短时记忆网络层，长短时记忆网络的各层之间以串联的方式连接，以含有时序的数据作为输入，获取时空特征；长短时记忆网络层内部存在3个门：遗忘门、输入门、输出门，每个时刻t门的更新公式如下：
遗忘门ft的目的是让LSTM网络忘记以前无用的信息：
ft＝σ(Wf·[ht-1,xt]+bf)
输入门it的作用是决定LSTM网络的输入信息：
ct′＝tanh(Wc·[ht-1,xt]+bc)
ct＝ft*ct-1+iict′
输出门ot的作用是决定神经元的输出结果：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，Wf、Wi、Wc、Wo分别为遗忘门、输入门、输出门的权值矩阵 bf、bi、bc、bo为其偏置项；ht-1为t-1时刻隐藏层的状态；σ为输出为(0,1)的logistic函数；xt为t时刻的输入向量；ht-1为前一时刻的状态；tanh为激活函数。
将获取的时空特征作为输入，在全连接层中将其映射到样本标记空间，并通过后续的softmax层运算得到一个分类概率的结果，对滚动轴承故障进行识别和分类。
其中softmax函数的公式为：
表示当存在K个线性函数时，样本向量xT属于第j类的概率。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1是本申请方法一种基于CNN和LSTM的滚动轴承故障分析方法的的流程示意图；
图2是根据本申请一个实施例的一种基于CNN和LSTM的滚动轴承故障分析方法的示意性结构框图。
图3是本申请实施例提供的一种计算设备。
图4是本申请实施例还提供的一种计算机可读存储介质。
具体实施方式
图1是根据本申请实施例的一种基于CNN和LSTM的滚动轴承故障分析方法流程示意图。参见图1所知，本申请实施例提供的一种基于CNN和LSTM的滚动轴承故障分析方法及***可以包括：
步骤S1：对处理后的振动数据使用巴特沃斯滤波器(Butterworth Filter)去噪声，并进行快速傅里叶变换(FFT)将预处理的时域信号转化为频域信号；
步骤S2：利用CNN网络进行学习来获取时域图、频域图的图像特征；
步骤S3：通过add层进行图像特征融合；
步骤S4：将add层获得的融合图像特征输入到LSTM网络中，通过LSTM网络进一步学习特征中包含的时序特征；
步骤S5：通过一个全连接层和Softmax函数实现分类功能，用训练好的网络对测试样本进行故障分类；
本发明的目的是提供一种基于CNN和LSTM的滚动轴承故障分析方法。首先对数据集进行噪声过滤，将振动数据用时域图和时频图两种方式表示，更好的进行特征提取。利用CNN的空间特征提取能力对时频图和时域图分别提取振动特征，并进行特征融合，利用LSTM的时序特征学习能力，充分提取振动特征与时间依赖的关系，通过全连接层和Softmax层对滚动轴承振动特征进行分类识别和故障判断，增强分类精度。
所述方法采用的实验数据集来源为CWRU(凯斯西储大学轴承数据中心)，该数据集是目前国际上使用最为广泛的滚动轴承故障数据集。该数据集记录了电动机的实际测试条件以及轴承故障状态，使用放电加工技术(EDM)向电机轴承植入故障。在轴承内圈，滚动体和轴承外圈上分别引入直径范围从0.007英寸到0.040英寸的断层。将有故障的轴承重新安装到测试电动机中，轴承实验以12,000个样本/秒和48,000个样本/秒的速度记录0到3马力(电动机速度为1797 到1720RPM)的振动数据。
S1、获取轴承振动数据，对含有噪声的振动数据采用巴特沃思滤波器(Butterworth filter)处理呼吸频率信号。
其中巴特沃斯滤波器的公式为：
其中n＝滤波器的阶数，ωc为截止频率取振幅下降为-3分贝时的频率。滤波器的滤波器默认阶数为2，高阶巴特沃思滤波器虽然可以在截止频率附近实现更清晰的滚降，但也会造成严重的信号失真，影响结果的精度，实验中发现使用阶数为1的滤波器性能更好，即使用一阶巴特沃思滤波器对含有噪声的振动数据进行处理；
通过快速傅里叶变换(fast Fourier transform，FFT)将预处理信号的描述从时域转换到频域；
FFT利用离散信号计算信号X(k)的频谱。其中FFT可以表示为：
即使用FFT算法可以降低频域转换计算量、提高转换速度，其时间复杂度为o(nlog2n)。
S2、对处理后得到的时域图、频域图作为输入，分别通过预设好的CNN网络进行训练，CNN只对一维时间轴上的数据进行卷积运算，沿时域信号和时频图的时间t轴移动提取图像特征。CNN通过3 个卷积层来进行特征提取。池化层位于每个卷积层的后面对特征图进行降维，这里是通过使用最大池化操作减少输出的复杂度和防止数据的过拟合，保留数据的时间特征；
其中最大池化层计算公式为：
其中w、d为最大池化滤波器预设的长和宽。
S3、将CNN学习得到的时域图、频域图特征，通过add层进行特征融合，图像的维度本身并没有增加，每一维下的信息量增加了，通过add层进行特征融合可以保留时间特征。将融合特征作为长短时记忆网络层的输入；
S4、将Add层特征融合后得到的融合特征输入到长短时记忆网络层，长短时记忆网络的各层之间以串联的方式连接，以含有时序的数据作为输入，获取时空特征；长短时记忆网络层内部存在3个门：遗忘门、输入门、输出门，每个时刻t门的更新公式如下：
遗忘门ft的目的是让LSTM网络忘记以前无用的信息：
ft＝σ(Wf·[ht-1,xt]+bf)
输入门it的作用是决定LSTM网络的输入信息：
ct′＝tanh(Wc·[ht-1,xt]+bc)
ct＝ft*ct-1+iict′
输出门ot的作用是决定神经元的输出结果：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，Wf、Wi、Wc、Wo分别为遗忘门、输入门、输出门的权值矩阵 bf、bi、bc、bo为其偏置项；ht-1为t-1时刻隐藏层的状态；σ为输出为(0,1)的logistic函数；xt为t时刻的输入向量；ht-1为前一时刻的状态；tanh为激活函数。
S5、将获取的时空特征作为输入，在全连接层中将其映射到样本标记空间，并通过后续的softmax层运算得到一个分类概率的结果，对滚动轴承故障进行识别和分类。
其中softmax函数的公式为：
表示当存在K个线性函数时，样本向量xT属于第j类的概率。
图2是根据本申请一个实施例的一种基于CNN和LSTM的滚动轴承故障分析方法的示意性结构框图。
图3中本申请实施例还提供了一种计算设备，该计算设备包括存储器320、处理器310和存储在所述存储器320内并能由所述处理器 310运行的计算机程序，该计算机程序存储于存储器320中的用于程序代码的空间330，该计算机程序在由处理器310执行时实现用于执行任一项根据本发明的方法步骤331。
图4中本申请实施例还提供了一种计算机可读存储介质。该计算机可读存储介质包括用于程序代码的存储单元，该存储单元设置有用于执行根据本发明的方法步骤的程序331′，该程序被处理器执行。
本申请实施例还提供了一种包含指令的计算机程序产品。当该计算机程序产品在计算机上运行时，使得计算机执行根据本发明的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、获取其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD)) 等。
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(英文：non- transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：optical disc)及其任意组合。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于CNN和SLTM的滚动轴承故障分类方法，包括：
获取轴承振动数据并预处理，构建数据集；
对处理后的振动数据使用巴特沃斯滤波器(Butterworth Filter)去噪声，并进行快速傅里叶变换(FFT)将预处理的时域信号转化为频域信号；
利用CNN网络进行学习来获取时域图、频域图的图像特征，通过Add层进行图像特征融合；
将CNN学习获得的图像特征输入到LSTM网络中，通过LSTM网络学习特征中包含的时序特征，通过一个全连接层和Softmax函数实现分类功能；
用训练好的网络对测试样本进行故障分类。
2.根据权利要求1所述的方法，其特征在于对含有噪声的振动数据采用巴特沃思滤波器(Butterworth filter)处理呼吸频率信号。
其中巴特沃斯滤波器的公式为：
其中n＝滤波器的阶数，ωc为截止频率取振幅下降为-3分贝时的频率。滤波器的滤波器默认阶数为2，高阶巴特沃思滤波器虽然可以在截止频率附近实现更清晰的滚降，但也会造成严重的信号失真，影响结果的精度，实验中发现使用阶数为1的滤波器性能更好，即使用一阶巴特沃思滤波器对含有噪声的振动数据进行处理。
3.根据权利要求1所述的方法，其特征在于通过快速傅里叶变换(fast Fouriertransform，FFT)将预处理信号的描述从时域转换到频域。
FFT利用离散信号计算信号X(k)的频谱。其中FFT的公式为：
即使用FFT算法可以降低频域转换计算量、提高转换速度，其时间复杂度为o(nlog2n)。
4.根据权利要求1所述的方法，其特征在于对处理后得到的时域图、频域图作为输入，分别通过预设好的CNN网络进行训练，CNN只对一维时间轴上的数据进行卷积运算，沿时域信号和时频图的时间t轴移动提取图像特征。CNN通过3个卷积层来进行特征提取。池化层位于每个卷积层的后面对特征图进行降维，这里是通过使用最大池化操作减少输出的复杂度和防止数据的过拟合，保留数据的时间特征；
其中最大池化层计算公式为：
其中w、d为最大池化滤波器预设的长和宽。
5.根据权利要求1和要求4所述的方法，其特征在于将CNN学习得到的时域图、频域图特征通过add层进行特征融合，图像的维度本身并没有增加，每一维下的信息量增加了，通过add层进行特征融合可以保留时间特征。将融合特征作为长短时记忆网络层的输入。
6.根据权利要求1和要求5所述的方法，其特征在于将add层特征融合后得到的融合特征输入到长短时记忆网络层，长短时记忆网络的各层之间以串联的方式连接，以含有时序的数据作为输入，获取时空特征；长短时记忆网络层内部存在3个门：遗忘门、输入门、输出门，每个时刻t门的更新公式如下：
遗忘门ft的目的是让LSTM网络忘记以前无用的信息：
ft＝σ(Wf·[ht-1,xt]+bf)
输入门it的作用是决定LSTM网络的输入信息：
ct′＝tanh(Wc·[ht-1,xt]+bc)
ct＝ft*ct-1+iict′
输出门ot的作用是决定神经元的输出结果：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(ct)
其中，Wf、Wi、Wc、Wo分别为遗忘门、输入门、输出门的权值矩阵bf、bi、bc、bo为其偏置项；ht-1为t-1时刻隐藏层的状态；σ为输出为(0,1)的logistic函数；xt为t时刻的输入向量；ht-1为前一时刻的状态；tanh为激活函数。
7.根据权利要求1所述的方法，其特征在于将获取的时空特征作为输入，在全连接层中将其映射到样本标记空间，并通过后续的softmax层运算得到一个分类概率的结果，对滚动轴承故障进行识别和分类。
其中softmax函数的公式为：
表示当存在k个线性函数时，样本向量xT属于第j类的概率。
8.根据权利要求1～7所述的方法，其特征在于，实验室环境内，所述方法所采用的数据集为CWRU(凯斯西储大学轴承数据中心)数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011205524.6A CN112507785A (zh) | 2020-11-02 | 2020-11-02 | 一种基于cnn和lstm的滚动轴承故障分析 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011205524.6A CN112507785A (zh) | 2020-11-02 | 2020-11-02 | 一种基于cnn和lstm的滚动轴承故障分析 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112507785A true CN112507785A (zh) | 2021-03-16 |
Family
ID=74954857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011205524.6A Pending CN112507785A (zh) | 2020-11-02 | 2020-11-02 | 一种基于cnn和lstm的滚动轴承故障分析 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507785A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估***及方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113536989A (zh) * | 2021-06-29 | 2021-10-22 | 广州博通信息技术有限公司 | 基于摄像视频逐帧分析的制冷机结霜监控方法及*** |
| CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
| CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
| CN114037834A (zh) * | 2021-12-01 | 2022-02-11 | 清华大学 | 一种基于振动信号和rgb图像融合的语义分割方法及装置 |
| CN114881086A (zh) * | 2022-05-21 | 2022-08-09 | 重庆大学 | 基于注意力lstm的配对轴承智能质量识别方法 |
| CN115392315A (zh) * | 2022-08-31 | 2022-11-25 | 济南永信新材料科技有限公司 | 一种基于可转移特征的齿轮箱故障检测方法 |
| WO2023103268A1 (zh) * | 2021-12-10 | 2023-06-15 | 烟台杰瑞石油服务集团股份有限公司 | 泵阀故障检测方法 |
| US11815087B2 (en) | 2021-09-27 | 2023-11-14 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Automatic system and method for disassembly and assembly of plunger pumps |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电***故障识别方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110136745A (zh) * | 2019-05-08 | 2019-08-16 | 西北工业大学 | 一种基于卷积神经网络的汽车鸣笛识别方法 |
| CN110297479A (zh) * | 2019-05-13 | 2019-10-01 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 |
| CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
| CN111310589A (zh) * | 2020-01-20 | 2020-06-19 | 河北科技大学 | 一种机械***的故障诊断方法、故障诊断装置及终端 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
-
2020
- 2020-11-02 CN CN202011205524.6A patent/CN112507785A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108344564A (zh) * | 2017-12-25 | 2018-07-31 | 北京信息科技大学 | 一种基于深度学习的主轴特性试验台状态识别及预测方法 |
| CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
| CN109001557A (zh) * | 2018-06-11 | 2018-12-14 | 西北工业大学 | 一种基于随机卷积神经网络的飞机机电***故障识别方法 |
| CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
| CN110136745A (zh) * | 2019-05-08 | 2019-08-16 | 西北工业大学 | 一种基于卷积神经网络的汽车鸣笛识别方法 |
| CN110297479A (zh) * | 2019-05-13 | 2019-10-01 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 |
| CN110398369A (zh) * | 2019-08-15 | 2019-11-01 | 贵州大学 | 一种基于1-dcnn和lstm融合的滚动轴承故障诊断方法 |
| CN111310589A (zh) * | 2020-01-20 | 2020-06-19 | 河北科技大学 | 一种机械***的故障诊断方法、故障诊断装置及终端 |
| CN111651937A (zh) * | 2020-06-03 | 2020-09-11 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曾大懿, 杨基宏等: ""基于并行多通道卷积长短时记忆网络的轴承寿命 预测方法"", 《中国机械工程》, vol. 31, no. 20, 29 June 2020 (2020-06-29), pages 2454 - 2461 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074940A (zh) * | 2021-03-18 | 2021-07-06 | 昆明理工大学 | 一种基于os-elm的滚动轴承健康状态预估***及方法 |
| CN113536989A (zh) * | 2021-06-29 | 2021-10-22 | 广州博通信息技术有限公司 | 基于摄像视频逐帧分析的制冷机结霜监控方法及*** |
| CN113469281B (zh) * | 2021-07-22 | 2023-11-24 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113469281A (zh) * | 2021-07-22 | 2021-10-01 | 西北工业大学 | 一种工业齿轮箱多源信息融合故障诊断方法 |
| CN113899809A (zh) * | 2021-08-20 | 2022-01-07 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
| CN113899809B (zh) * | 2021-08-20 | 2024-02-27 | 中海石油技术检测有限公司 | 基于cnn分类和rnn预测的管道内检测器定位方法 |
| CN113887702A (zh) * | 2021-09-10 | 2022-01-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
| CN113887702B (zh) * | 2021-09-10 | 2024-06-04 | 哈尔滨工业大学 | 基于wlctd与cnn-lstm的工业机器人谐波减速器早期故障检测方法 |
| US11815087B2 (en) | 2021-09-27 | 2023-11-14 | Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. | Automatic system and method for disassembly and assembly of plunger pumps |
| CN114037834A (zh) * | 2021-12-01 | 2022-02-11 | 清华大学 | 一种基于振动信号和rgb图像融合的语义分割方法及装置 |
| WO2023103268A1 (zh) * | 2021-12-10 | 2023-06-15 | 烟台杰瑞石油服务集团股份有限公司 | 泵阀故障检测方法 |
| CN114881086A (zh) * | 2022-05-21 | 2022-08-09 | 重庆大学 | 基于注意力lstm的配对轴承智能质量识别方法 |
| CN114881086B (zh) * | 2022-05-21 | 2023-08-11 | 重庆大学 | 基于注意力lstm的配对轴承智能质量识别方法 |
| CN115392315A (zh) * | 2022-08-31 | 2022-11-25 | 济南永信新材料科技有限公司 | 一种基于可转移特征的齿轮箱故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507785A (zh) | 一种基于cnn和lstm的滚动轴承故障分析 | |
| CN108648748B (zh) | 医院噪声环境下的声学事件检测方法 | |
| CN112906644B (zh) | 基于深度迁移学习的机械故障智能诊断方法 | |
| CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、***及介质 | |
| CN113176092B (zh) | 基于数据融合和改进经验小波变换的电机轴承故障诊断方法 | |
| CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
| CN108737406A (zh) | 一种异常流量数据的检测方法及*** | |
| He et al. | A novel bearing fault diagnosis method based on gaussian restricted boltzmann machine | |
| CN113639999A (zh) | 变转速下滚动轴承的故障诊断方法、***、介质及设备 | |
| Tong et al. | A fault diagnosis method of rolling bearing based on improved deep residual shrinkage networks | |
| CN115798516B (zh) | 一种可迁移的端到端声信号诊断方法及*** | |
| CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
| CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
| CN111986699A (zh) | 基于全卷积网络的声音事件检测方法 | |
| Wang et al. | Multi-scale attention mechanism residual neural network for fault diagnosis of rolling bearings | |
| Hong et al. | Supervised-learning-based intelligent fault diagnosis for mechanical equipment | |
| CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
| Ning et al. | Research on Intelligent Fault Diagnosis of Rolling Bearing Based on Improved ShufflenetV2‐LSTM | |
| Zhang et al. | Neural network in sports cluster analysis | |
| CN116861343A (zh) | 一种轴承故障诊断方法 | |
| Pan et al. | Intelligent fault diagnosis of rolling bearing via deep-layerwise feature extraction using deep belief network | |
| Du | Application of improved smote and xgboost algorithm in the analysis of psychological stress test for college students | |
| Jia et al. | Elevator running fault monitoring method based on vibration signal | |
| CN116449415A (zh) | 一种地震数据的波形处理方法、装置和相关设备 | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |