[发明专利]基于长短时记忆循环神经网络的轴承早期故障识别方法

权利要求书

1.一种基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于，包括以下步骤：

对轴承全寿命振动信号进行采集，振动信号预处理后提取常用的时域特征；

选取时域特征中的波形因子构建波形熵特征，并利用频谱分析中的平方解调方法验证波形熵的有效性；

利用时域特征和波形熵特征构建特征数据集，通过时域信号和频谱分析的判断，选取正常数据集和深度故障数据集；

将正常数据集和深度故障数据集作为训练样本对LSTM循环神经网络进行训练，网络主要参数通过粒子群算法进行优化；

将在线轴承振动信号进行时域特征和波形熵特征提取后输入训练好的LSTM循环神经网络对故障发生时刻进行识别；

所述波形熵特征的构建具体是采用了基于无量纲时域指标波形因子构建波形熵特征，其具体构建方式为：

其中，WE_t为当前时刻的波形熵，W_t-i为t-i时刻的波形因子，M为计算波形熵的时间步长。

2.根据权利要求1所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于：

所述轴承全寿命振动信号是指新轴承从装机运行到损坏的全过程的轴承振动信号。

3.根据权利要求1所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于：

所述的振动信号预处理是采用小波降噪的方法对轴承信号进行预处理。

4.根据权利要求1所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于：

所述常用的时域特征包括：绝对均值、有效值、峭度和波形因子。

5.根据权利要求1所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于：

所述正常数据集的选取标准为：时域振动幅值较小且平稳，解调谱未发现对应的故障特征频率；所述深度故障数据集的选取标准为：时域振动幅值较大且存在波动，解调谱存在明显的故障特征频率且故障频率幅值较大。

6.根据权利要求1所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于，所述LSTM循环神经网络的结构参数遵从的规则包括：

网络输入节点数:网络的输入节点数由网络输入的特征数决定；

网络输出节点数:网络输出节点数由所定义的风机状态的数量决定；

网络隐藏层的数量:隐层数量越多，特征的抽象程度越高；

隐层节点数:在tensorflow中采用多层长短时记忆网络，网络的所有隐层由同一隐层堆叠而成，故所有隐层的节点数相同；

时间步长:时间步长决定了所利用的网络输入的时间长度。

7.根据权利要求6所述的基于长短时记忆循环神经网络的轴承早期故障识别方法，其特征在于：所述网络主要参数通过粒子群算法进行优化的过程具体为：

所述网络隐藏层的数量、隐藏层节点数、时间步长由PSO算法优化，确定粒子群的种群数量N、最大迭代次数M，若满足例子更新条件迭代次数k<M，按以下公式更新每个粒子的速度和位置：

其中，X_id^k表示第k次迭代粒子的位置，V_id^k表示第k次迭代粒子的速度，w是惯性因子，c₁和c₂是学习因子，通常c₁＝c₂＝2，r₁和r₂是取值(0,1)之间的均匀分布随机数。