CN110261109A - 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 - Google Patents

一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 Download PDF

Info

Publication number
CN110261109A
CN110261109A CN201910351427.9A CN201910351427A CN110261109A CN 110261109 A CN110261109 A CN 110261109A CN 201910351427 A CN201910351427 A CN 201910351427A CN 110261109 A CN110261109 A CN 110261109A
Authority
CN
China
Prior art keywords
neural network
fault diagnosis
recurrent neural
recognition
data
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.)
Granted
Application number
CN201910351427.9A
Other languages
English (en)
Other versions
CN110261109B (zh
Inventor
邱大伟
谭雯雯
刘子辰
周一青
石晶林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Zhongke Smart Equipment Technology Co Ltd
Original Assignee
Luoyang Zhongke Smart Equipment Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luoyang Zhongke Smart Equipment Technology Co Ltd filed Critical Luoyang Zhongke Smart Equipment Technology Co Ltd
Priority to CN201910351427.9A priority Critical patent/CN110261109B/zh
Publication of CN110261109A publication Critical patent/CN110261109A/zh
Application granted granted Critical
Publication of CN110261109B publication Critical patent/CN110261109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，针对现有滚动轴承故障诊断方法没有考虑特征提取后数据的逻辑结构单一的特性和在处理故障数据时不能从数据整体判断故障类型的缺陷，首先，获取程序数据样本，对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，再使用时频域特征提取算法得到512个时频域特征向量；然后，构建改进的双向记忆型循环神经网络故障诊断模型，采用简单化设计的思想，所设计的记忆型循环神经网络包括遗忘门、输入门和元胞状态，再使用样本数据训练神经网络权值参数，经过训练迭代，生成可映射轴承数据和故障类型间联系的模型；最后使用此模型进行故障分析，从而实现滚动轴承故障的精确诊断。

Description

一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
技术领域
本发明涉及一种滚动轴承故障诊断方法，具体是一种基于双向记忆循环神经网络的滚动轴承故障诊断方法。
背景技术
随着现代工业和科学技术的迅速发展，生产设备逐渐向高速化、自动化及智能化发展，而设备元器件老化、应用环境的变化等问题往往是不可避免的，由于部件的老化会导致机械设备运行时发生各种故障，造成巨大的经济损失，因此采集海量数据用于设备状态监测，同时研究和利用创新性理论和方法，从设备大数据中高效挖掘信息进行设备状态故障诊断具有重大的意义。
滚动轴承是转动类机械的核心部件，对于滚动轴承的故障检测是转动类机械安全运行的重要部分，因此对滚动轴承的健康状况分析将直接影响机械的性能、稳定性及生命周期的长度。
传统故障诊断模型的设计并没有考虑轴承数据采集时的非稳态特性，只有在特征提取时才考虑了轴承的非稳态的特点，而特征提取后数据又具有逻辑结构单一的特点，此时需要针对此特点设计一种轴承故障诊断方法，以提高滚动轴承的故障诊断准确度，同时，传统方法由于结构的限制，单次处理数据的长度有限(需要将一个样本数据分成多个批次进行处理)，不能完全结合数据整体来判断故障类型。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，不仅能对非平稳特性数据和逻辑结构单一数据进行处理，而且能结合数据整体来判断故障类型，从而有效提高滚动轴承的故障诊断准确度。
为了实现上述目的，本发明采用的技术方案是：一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，具体步骤为：
A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；
B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；
C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的循环神经网络内部单元间的信息交互通过不断更新的长时记忆Ct维持，Ct包含过去和未来的数据信息；改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1-ft；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；
ft＝σ(Wf[Ct-1，st]+bf) (1)
it＝1-ft (2)
ht＝softsign(Ct) (5)
其中，st为输入，Wf和WC为权重系数，bf和bC为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，Ct-1为上一时刻的长时记忆值，ht为网络输出值；
公式(1)由上一时刻的长时记忆值Ct-1和输入st通过sigmoid激活函数的作用产生遗忘门ft，用于控制所通过的长时记忆的比率；
公式(2)产生的输入门it用于控制输入数据通过的比率，输入门和遗忘门采用对偶的设计；
公式(3)通过softsign激活函数的作用由输入st产生用于更新长时记忆Ct的候选值
公式(4)为更新长时记忆Ct的过程，遗忘门的输出结果ft与旧的长时记忆Ct-1相乘，用以遗忘信息，输入门的输出it与候选输入信息相乘得到待输入的信息，二者之和为更新后的长时记忆值Ct；
公式(5)产生的ht为神经网络单元的输出；
前向循环神经网络和后向循环神经网络的输出通过一个全连接的输出层，将输出信息通过softmax函数获得故障的类别，从而完成改进的双向记忆型循环神经网络故障诊断模型的构建；
将训练集输入循环神经网络故障诊断模型并进行模型训练，每训练完200次，输入验证集对故障诊断模型进行一次故障诊断准确度验证；若故障诊断准确度达到设定的准确度 (可设置最大准确度为100％)，则停止训练并保存当前模型参数作为循环神经网络故障诊断模型的参数；若故障诊断准确度未达到设定的准确度，则调整模型参数后继续重复上述训练及验证过程，按照设定的循环次数进行多次训练后，若每次验证的故障诊断准确度均未达到设定的准确度，则以每次验证数据中故障诊断准确度最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练；
D、采用双向记忆型循环神经网络故障诊断模型进行故障诊断：通过各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，振动加速度数据经过标准化预处理和特征提取分解处理后，将该处理后的数据输入双向记忆型循环神经网络故障诊断模型，双向记忆型循环神经网络故障诊断模型进行分析处理后，得出故障诊断分析结果。
进一步，所述故障诊断结果包括诊断正常状态、轴承内圈故障、轴承外圈故障、滚动体故障。
进一步，所述循环次数的最大值为10000。
由于轴承的速度和负载条件随时间变化，导致轴承振动的动态性，从而时轴承的加速度振动数据具有非平稳特性和逻辑结构简单性；本发明通过加速度传感器获取滚动轴承水平和垂直两个方向的振动加速度数据，再将采集的数据进行数据预处理，包括数据集的标准化和特征提取两个部分的处理，由于所有的深度学习估计算法都要求数据单个特征与标准正态分布数据(均值为零，单位方差为高斯分布)相似，此时估计效果表现最好，所以首先对数据样本进行标准化处理，使其符合标准正态分布；特征提取处理可以得到样本的时频特征，时域特征能够体现轴承故障时的信号波动，采用的时频域特征提取方法是小波包变换，能够对信号的高频部分和低频部分提供精细的分解，这种分解既无冗余，也无疏漏，能够对信号进行时频局部化分析。然后，将数据预处理后得到的特征数据分成两部分，分别为训练样本和验证样本，使用训练样本不断训练改进的双向记忆循环神经网络故障诊断模型，训练的过程主要是不断调整模型内部参数，训练模型的最终目的是能够由轴承数据映射到故障类型，验证数据集负责阶段化验证故障诊断模型的效果，来判断是否需要结束训练过程并保存故障诊断模型；考虑到特征提取后特征数据结构单一的特点，改进的记忆循环神经网络与标准长短时记忆循环神经网络(LSTM)的区别是取消了短时记忆和输出门的设计，同时，内部激活函数采用softsign函数，与现有标准长短时记忆循环神经网络的内部激活函数tanh函数相比，softsign函数更不容易饱和，softsign函数具有更平坦的曲线与更慢的下降导数，这些特性能够表明它具有更高效地学习能力；最后将实时检测的轴承加速度振动数据输入故障诊断模型内进行处理，进而故障诊断模型判断当前轴承是否发生故障及故障类型。本发明通过对非平稳特性数据采用改进的循环神经网络进行处理，而且故障诊断模型能结合数据整体来判断故障类型，从而有效提高了滚动轴承的故障诊断准确度。
附图说明
图1是本发明的整体流程图；
图2是本发明中改进的双向记忆循环神经网络结构图。
具体实施方式
下面将对本发明做进一步说明。
如图所示，本发明的具体步骤为：
A、获取程序数据样本：在轴承不同振动检测点位置分别安装通过加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；
B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法(如小波包变换法)对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；
C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，这样设计的原因是数据输入后前向循环神经网络(前向RNN)和后向循环神经网络(后向RNN)分别从数据序列的两个方向处理，能够综合考虑过去和未来的数据信息；每层循环神经网络由若干所设计的RNN单元组成；前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的循环神经网络内部单元间的信息交互通过不断更新的长时记忆Ct维持，Ct包含过去和未来的数据信息；改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1-ft；由于sigmoid函数的取值范围在0～1之间，因此遗忘门ft和输入门it采用的 sigmoid函数所起的作用是控制信息的流动；
改进的记忆循环神经网络的循环变换公式如式(1)至(5)；
ft＝σ(Wf[Ct-1，st]+bf) (1)
it＝1-ft (2)
ht＝softsign(Ct) (5)
其中，st为输入，Wf和WC为权重系数，bf和bC为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，Ct-1为上一时刻的长时记忆值，ht为网络输出值；
公式(1)由上一时刻的长时记忆值Ct-1和输入st通过sigmoid激活函数的作用产生遗忘门ft，用于控制所通过的长时记忆的比率；
公式(2)产生的输入门it用于控制输入数据通过的比率，输入门和遗忘门采用对偶的设计；
公式(3)通过softsign激活函数的作用由输入st产生用于更新长时记忆Ct的候选值
公式(4)为更新长时记忆Ct的过程，遗忘门的输出结果ft与旧的长时记忆Ct-1相乘，用以遗忘信息，输入门的输出it与候选输入信息相乘得到待输入的信息，二者之和为更新后的长时记忆值Ct；
公式(5)产生的ht为神经网络单元的输出；
前向循环神经网络和后向循环神经网络的输出通过一个全连接的输出层，将输出信息通过softmax函数获得故障的类别，从而完成改进的双向记忆型循环神经网络故障诊断模型的构建；
将训练集输入循环神经网络故障诊断模型并进行模型训练，每训练完200次，输入验证集对故障诊断模型进行一次故障诊断准确度验证；若故障诊断准确度达到设定的准确度 (设定的准确度的值为100％)，则停止训练并保存当前模型参数作为循环神经网络故障诊断模型的参数；若故障诊断准确度未达到设定的准确度，则调整模型参数后继续重复上述训练及验证过程，按照设定的循环次数进行多次训练后，达到最大循环次数后，若每次验证的故障诊断准确度均未达到设定的准确度，则以每次验证数据中故障诊断准确度最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练；
D、采用双向记忆型循环神经网络故障诊断模型进行故障诊断：通过各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，振动加速度数据经过标准化预处理和特征提取分解处理后，将该处理后的数据输入双向记忆型循环神经网络故障诊断模型，双向记忆型循环神经网络故障诊断模型进行分析处理后，得出故障诊断分析结果。
进一步，所述故障诊断结果包括诊断正常状态、轴承内圈故障、轴承外圈故障、滚动体故障。
进一步，所述循环次数的最大值为10000；在最大循环次数未结束或者结束之后，保存确定使用的故障诊断模型，模型用于线上故障诊断。
本发明采用的轴承故障诊断系统包括轴承振动数据采集模块、特征提取模块、故障诊断模块和故障分析结果输出模块；
轴承振动数据采集模块包括多个加速度传感器，用于分别从水平方向和垂直方向采集滚动轴承的振动加速度数据；
特征提取模块，用于针对具有非平稳特性的轴承振动加速度数据进行特征提取；
故障诊断模块，用于对故障数据进行分析，得到对应的故障诊断结果；故障诊断模块包含线下部分和线上部分；其中线下部分用于完成故障诊断模型的训练过程，输入训练数据、验证数据和每个样本对应的正确轴承状态信息，通过训练过程，使模型能够具备由故障样本映射到故障类型的功能；线上部分用于完成对轴承实时数据的故障诊断分析；
故障分析结果输出模块，用于对故障诊断结果的显示输出，同时具备告警功能，能够使监督者及时处理故障。

Claims (3)

1.一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，该方法的具体步骤为：
A、获取程序数据样本：在轴承不同振动检测点位置分别安装加速度传感器，各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，采样频率为48000Hz，然后对振动加速度数据进行标准化预处理，使采集的数据符合标准正态分布，然后在标准化处理后的数据中截取长度为2000个数据点的信号作为程序数据样本；
B、采用特征提取算法对程序数据样本进行分解处理：采用时频域特征提取算法对程序数据样本进行9层分解，将第9层振动信号频带能量作为信号特征，共形成512个时频域特征向量，同时将特征提取算法分解后的数据样本分为训练集、验证集两部分；训练集用于训练故障诊断模型，所述验证集用于阶段性的验证故障诊断模型的故障诊断效果；
C、构建及训练改进的双向记忆型循环神经网络故障诊断模型：改进的双向记忆型循环神经网络故障诊断模型由前向循环神经网络和后向循环神经网络组成，前向循环神经网络和后向循环神经网络均为改进的记忆型循环神经网络，改进的记忆型循环神经网络包括遗忘门ft、输入门it和元胞cell，内部激活函数采用softsign函数，阈值函数采用sigmoid函数，遗忘门ft和输入门it采用对偶设计，即it＝1-ft；改进的记忆循环神经网络的循环变换公式如式(1)至(5)；
ft＝σ(Wf[Ct-1，st]+bf) (1)
it＝1-ft (2)
ht＝softsign(Ct) (5)
其中，st为输入，Wf和WC为权重系数，bf和bC为偏置值，这四个值均为神经网络参数，σ(g)为sigmoid函数，softsign(g)为softsign函数，Ct-1为上一时刻的长时记忆值，ht为网络输出值；
公式(1)由上一时刻的长时记忆值Ct-1和输入st通过sigmoid激活函数的作用产生遗忘门ft，用于控制所通过的长时记忆的比率；
公式(2)产生的输入门it用于控制输入数据通过的比率，输入门和遗忘门采用对偶的设计；
公式(3)通过softsign激活函数的作用由输入st产生用于更新长时记忆Ct的候选值
公式(4)为更新长时记忆Ct的过程，遗忘门的输出结果ft与旧的长时记忆Ct-1相乘，用以遗忘信息，输入门的输出it与候选输入信息相乘得到待输入的信息，二者之和为更新后的长时记忆值Ct；
公式(5)产生的ht为神经网络单元的输出；
前向循环神经网络和后向循环神经网络的输出通过一个全连接的输出层，将输出信息通过softmax函数获得故障的类别，从而完成改进的双向记忆型循环神经网络故障诊断模型的构建；
将训练集输入循环神经网络故障诊断模型并进行模型训练，每训练完200次，输入验证集对故障诊断模型进行一次故障诊断准确度验证；若故障诊断准确度达到设定的准确度，则停止训练并保存当前模型参数作为循环神经网络故障诊断模型的参数；若故障诊断准确度未达到设定的准确度，则调整模型参数后继续重复上述训练及验证过程，按照设定的循环次数进行多次训练后，若每次验证的故障诊断准确度均未达到设定的准确度，则以每次验证数据中故障诊断准确度最高的模型参数作为循环神经网络故障诊断模型的参数，完成故障诊断模型的构建及训练；
D、采用双向记忆型循环神经网络故障诊断模型进行故障诊断：通过各个加速度传感器采集轴承水平和垂直两个方向的振动加速度数据，振动加速度数据经过标准化预处理和特征提取分解处理后，将该处理后的数据输入双向记忆型循环神经网络故障诊断模型，双向记忆型循环神经网络故障诊断模型进行分析处理后，得出故障诊断分析结果。
2.根据权利要求1所述的一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，所述故障诊断结果包括诊断正常状态、轴承内圈故障、轴承外圈故障、滚动体故障。
3.根据权利要求1所述的一种基于双向记忆循环神经网络的滚动轴承故障诊断方法，其特征在于，所述循环次数的最大值为10000，在最大循环次数未结束或者结束之后，保存确定使用的故障诊断模型，模型用于线上故障诊断。
CN201910351427.9A 2019-04-28 2019-04-28 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 Active CN110261109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910351427.9A CN110261109B (zh) 2019-04-28 2019-04-28 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910351427.9A CN110261109B (zh) 2019-04-28 2019-04-28 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN110261109A true CN110261109A (zh) 2019-09-20
CN110261109B CN110261109B (zh) 2020-12-08

Family

ID=67913986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910351427.9A Active CN110261109B (zh) 2019-04-28 2019-04-28 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN110261109B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN110908365A (zh) * 2019-12-25 2020-03-24 西北工业大学 一种无人机传感器故障诊断方法、系统及可读存储介质
CN110954326A (zh) * 2019-12-17 2020-04-03 北京化工大学 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111060815A (zh) * 2019-12-17 2020-04-24 西安工程大学 基于GA-Bi-RNN的高压断路器故障诊断方法
CN111273623A (zh) * 2020-02-25 2020-06-12 电子科技大学 基于Stacked LSTM的故障诊断方法
CN111459144A (zh) * 2020-05-01 2020-07-28 西北工业大学 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN111859798A (zh) * 2020-07-14 2020-10-30 辽宁石油化工大学 基于双向长短时神经网络的流程工业故障诊断方法
CN111860460A (zh) * 2020-08-05 2020-10-30 江苏新安电器股份有限公司 一种基于改进的lstm模型在人体行为识别上的应用方法
CN112857669A (zh) * 2021-03-30 2021-05-28 武汉飞恩微电子有限公司 压力传感器的故障检测方法、装置、设备及存储介质
CN113191215A (zh) * 2021-04-12 2021-07-30 西安理工大学 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN113609932A (zh) * 2021-07-21 2021-11-05 广州大学 基于长短期记忆网络的故障检测方法、系统、装置及介质
CN114566964A (zh) * 2022-04-29 2022-05-31 国网天津市电力公司电力科学研究院 一种配电网馈线自动化控制方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9263036B1 (en) * 2012-11-29 2016-02-16 Google Inc. System and method for speech recognition using deep recurrent neural networks
CN107168945A (zh) * 2017-04-13 2017-09-15 广东工业大学 一种融合多特征的双向循环神经网络细粒度意见挖掘方法
US20180012613A1 (en) * 2016-07-11 2018-01-11 The Chinese University Of Hong Kong Phonetic posteriorgrams for many-to-one voice conversion
CN108120900A (zh) * 2017-12-22 2018-06-05 北京映翰通网络技术股份有限公司 一种配电网故障定位方法及系统
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108806667A (zh) * 2018-05-29 2018-11-13 重庆大学 基于神经网络的语音与情绪的同步识别方法
CN109632693A (zh) * 2018-12-10 2019-04-16 昆明理工大学 一种基于blstm-rnn的太赫兹光谱识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9263036B1 (en) * 2012-11-29 2016-02-16 Google Inc. System and method for speech recognition using deep recurrent neural networks
US20180012613A1 (en) * 2016-07-11 2018-01-11 The Chinese University Of Hong Kong Phonetic posteriorgrams for many-to-one voice conversion
CN107168945A (zh) * 2017-04-13 2017-09-15 广东工业大学 一种融合多特征的双向循环神经网络细粒度意见挖掘方法
CN108303253A (zh) * 2017-12-06 2018-07-20 华南理工大学 基于长短时记忆循环神经网络的轴承早期故障识别方法
CN108120900A (zh) * 2017-12-22 2018-06-05 北京映翰通网络技术股份有限公司 一种配电网故障定位方法及系统
CN108806667A (zh) * 2018-05-29 2018-11-13 重庆大学 基于神经网络的语音与情绪的同步识别方法
CN109632693A (zh) * 2018-12-10 2019-04-16 昆明理工大学 一种基于blstm-rnn的太赫兹光谱识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WILSON, D等: "Bidirectional Long Short-Term Memory Networks for Rapid Fault Detection in Marine Hydrokinetic Turbines", 《17TH IEEE INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND APPLICATIONS》 *
杨丽等: "循环神经网络研究综述", 《计算机应用》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705181B (zh) * 2019-10-13 2022-06-24 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN110705181A (zh) * 2019-10-13 2020-01-17 重庆交通大学 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法
CN110954326A (zh) * 2019-12-17 2020-04-03 北京化工大学 一种自动学习特征表达的滚动轴承在线故障诊断方法
CN111060815A (zh) * 2019-12-17 2020-04-24 西安工程大学 基于GA-Bi-RNN的高压断路器故障诊断方法
CN111060815B (zh) * 2019-12-17 2021-09-14 西安工程大学 基于GA-Bi-RNN的高压断路器故障诊断方法
CN110908365A (zh) * 2019-12-25 2020-03-24 西北工业大学 一种无人机传感器故障诊断方法、系统及可读存储介质
CN111273623A (zh) * 2020-02-25 2020-06-12 电子科技大学 基于Stacked LSTM的故障诊断方法
CN111273623B (zh) * 2020-02-25 2022-10-18 电子科技大学 基于Stacked LSTM的故障诊断方法
CN111459144A (zh) * 2020-05-01 2020-07-28 西北工业大学 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN111859798A (zh) * 2020-07-14 2020-10-30 辽宁石油化工大学 基于双向长短时神经网络的流程工业故障诊断方法
CN111860460A (zh) * 2020-08-05 2020-10-30 江苏新安电器股份有限公司 一种基于改进的lstm模型在人体行为识别上的应用方法
CN112857669A (zh) * 2021-03-30 2021-05-28 武汉飞恩微电子有限公司 压力传感器的故障检测方法、装置、设备及存储介质
CN112857669B (zh) * 2021-03-30 2022-12-06 武汉飞恩微电子有限公司 压力传感器的故障检测方法、装置、设备及存储介质
CN113191215A (zh) * 2021-04-12 2021-07-30 西安理工大学 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN113191215B (zh) * 2021-04-12 2024-02-23 陕西少梁塬网络科技有限公司 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法
CN113609932A (zh) * 2021-07-21 2021-11-05 广州大学 基于长短期记忆网络的故障检测方法、系统、装置及介质
CN113609932B (zh) * 2021-07-21 2022-09-16 广州大学 基于长短期记忆网络的故障检测方法、系统、装置及介质
CN114566964A (zh) * 2022-04-29 2022-05-31 国网天津市电力公司电力科学研究院 一种配电网馈线自动化控制方法、装置、设备及存储介质
CN114566964B (zh) * 2022-04-29 2022-07-29 国网天津市电力公司电力科学研究院 一种配电网馈线自动化控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN110261109B (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN110261109A (zh) 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法
Shao et al. Modified stacked autoencoder using adaptive Morlet wavelet for intelligent fault diagnosis of rotating machinery
Qiao et al. Deep convolutional and LSTM recurrent neural networks for rolling bearing fault diagnosis under strong noises and variable loads
Cheng et al. Machine health monitoring using adaptive kernel spectral clustering and deep long short-term memory recurrent neural networks
CN105738109B (zh) 基于稀疏表示与集成学习的轴承故障分类诊断方法
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN103868692B (zh) 基于核密度估计和k-l散度的旋转机械故障诊断方法
Li et al. Multi-sensor data-driven remaining useful life prediction of semi-observable systems
Di et al. Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions
CN110991471B (zh) 一种高速列车牵引系统故障诊断方法
Huang et al. A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines
CN109946080A (zh) 一种基于嵌入式循环网络的机械设备健康状态识别方法
Zhang et al. Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering
CN111898686A (zh) 基于门控循环单元网络的轴承故障识别方法
Shang et al. Fault diagnosis method of rolling bearing based on deep belief network
CN115204302A (zh) 一种无人机小样本故障诊断系统及方法
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
Yuan et al. A multichannel MN-GCN for wheelset-bearing system fault diagnosis
Wang et al. Remaining useful life prediction of rolling element bearings based on hybrid drive of data and model
CN116012681A (zh) 基于声振信号融合的管道机器人电机故障诊断方法及系统
Li et al. Remaining useful life prediction of aero-engine based on PCA-LSTM
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
Gu et al. Remaining useful life prediction using composite health index and hybrid LSTM‐SVR model
CN117056678B (zh) 一种基于小样本的机泵设备运行故障诊断方法及装置
CN114626625A (zh) 基于多模块U-BiLSTM网络的轴承寿命预测方法

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
GR01 Patent grant
GR01 Patent grant