CN113609932B

CN113609932B - 基于长短期记忆网络的故障检测方法、系统、装置及介质

Info

Publication number: CN113609932B
Application number: CN202110823376.2A
Authority: CN
Inventors: 张春良; 陆凤清; 岳夏; 朱厚耀; 王亚东; 翁润庭; 李植鑫
Original assignee: Guangzhou University
Current assignee: Guangzhou University
Priority date: 2021-07-21
Filing date: 2021-07-21
Publication date: 2022-09-16
Anticipated expiration: 2041-07-21
Also published as: CN113609932A

Abstract

本发明公开了一种基于长短期记忆网络的故障检测方法、系统、装置及介质，方法包括：获取第一振动信号，通过后缀树算法对第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列；根据第一重复特征波形和第一重复时间序列确定第一振动信号的第一时频特征图，根据第一时频特征图构建训练样本集；构建长短期记忆网络；将训练样本集输入到长短期记忆网络中进行训练，利用反向传播算法对长短期记忆网络的参数进行优化，得到训练好的故障识别模型，根据故障识别模型确定待检测的第二振动信号的故障类型识别结果。本发明通过长短期记忆网络可以提取出微量故障信号所隐含的特征信息，提高了故障识别的准确度，可广泛应用于故障检测技术领域。

Description

基于长短期记忆网络的故障检测方法、系统、装置及介质

技术领域

本发明涉及故障检测技术领域，尤其是一种基于长短期记忆网络的故障检测方法、系统、装置及介质。

背景技术

现如今，对机械设备的故障诊断分析大多基于振动信号，而振动信号具有非线性、非平稳性等特点，利用它可获取充分表达信号特征的信息。现有技术中，对于振动信号的处理，一般采用傅里叶变换等进行时频转化方法，例如基于Daubechies小波变换的滚动轴承故障特征提取方法。这种方法在处理过程中会出现混叠现象从而产生误差，且该类误差由傅里叶算法原理产生，不可避免。由于对振动信号的特征提取存在较大误差，因此，现有的关于振动信号的故障检测方法往往并不准确。此外，对于故障特征的识别大多采用卷积神经网络进行训练诊断，而振动信号在时域中存在着一定的耦合性，当前时间节点和前一或后一时间节点中的振动信号存在一定的耦合关系，传统卷积神经网络在训练过程中无法识别各周期中故障信号出现的波形规律及其相互关系，从而无法提取微量故障信号所隐含的特征信息，进一步影响了故障检测的准确度。

发明内容

本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。

为此，本发明实施例的一个目的在于提供一种基于长短期记忆网络的故障检测方法，该方法一方面通过对振动信号进行分解，获取重复特征波形和重复时间序列两个不同尺度的信息，避免了傅里叶算法的混叠现象产生的误差，提高了训练样本的准确性和可靠性，进而提高了故障识别的准确度；另一方面通过长短期记忆网络可以识别各振动周期中故障信号出现的波形规律及其相互关系，从而可以提取出微量故障信号所隐含的特征信息，进一步提高了故障识别的准确度。

本发明实施例的另一个目的在于提供一种基于长短期记忆网络的故障检测系统。

为了达到上述技术目的，本发明实施例所采取的技术方案包括：

第一方面，本发明实施例提供了一种基于长短期记忆网络的故障检测方法，包括以下步骤：

获取预设的第一振动信号，并通过后缀树算法对所述第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列；

根据所述第一重复特征波形和所述第一重复时间序列确定所述第一振动信号的第一时频特征图，并根据所述第一时频特征图构建训练样本集；

构建长短期记忆网络，确定所述长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数；

将所述训练样本集输入到所述长短期记忆网络中进行训练，利用反向传播算法对所述长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据所述故障识别模型确定待检测的第二振动信号的故障类型识别结果。

进一步地，在本发明的一个实施例中，所述通过后缀树算法对所述第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列这一步骤，其具体包括：

通过平均分布或高斯分布对所述第一振动信号进行编码得到第一时域信号；

通过后缀树算法对所述第一时域信号进行分解，得到多个故障波形信息和对应的时刻信息，并根据所述故障波形信息和所述时刻信息构建第一后缀树；

对所述第一后缀树的各个节点进行遍历，获取重复出现的故障波形信息作为第一重复特征波形，并确定所述第一重复特征波形的第一重复时间序列。

进一步地，在本发明的一个实施例中，所述对所述第一后缀树的各个节点进行遍历，获取重复出现的故障波形信息作为第一重复特征波形，并确定所述第一重复特征波形的第一重复时间序列这一步骤，其具体包括：

从所述第一后缀树的根节点开始，通过深度优先的嵌套遍历算法对所述第一后缀树的各个节点进行遍历；

获取重复出现的故障波形信息作为第一重复特征波形，并确定所述第一重复特征波形对应的多个时刻信息；

根据所述第一重复特征波形对应的多个时刻信息确定所述第一重复特征波形的第一重复时间序列。

进一步地，在本发明的一个实施例中，所述根据所述第一重复特征波形和所述第一重复时间序列确定所述第一振动信号的第一时频特征图，并根据所述第一时频特征图构建训练样本集这一步骤，其具体包括：

根据预设的重复长度范围，对所述第一重复特征波形和所述第一重复时间序列进行归一化处理，得到所述第一振动信号的第一时频特征图；

根据所述第一时频特征图确定训练样本；

获取所述第一振动信号的故障类型，根据所述故障类型生成故障类型标签；

根据所述训练样本和所述故障类型标签构建训练样本集。

进一步地，在本发明的一个实施例中，所述确定所述长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数这一步骤，其具体包括：

确定所述长短期记忆网络的初始参数，所述初始参数包括存储单元个数、网络层数、训练次数、遗忘门权重矩阵、输入门权重矩阵、输出门权重矩阵、单元状态权重矩阵、遗忘门偏置项、输入门偏置项、输出门偏置项以及单元状态偏置项；

根据所述初始参数确定所述遗忘门函数、所述输入门函数、所述输出门函数以及所述单元状态函数。

进一步地，在本发明的一个实施例中，所述遗忘门函数为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

其中，f_t表示遗忘门，W_f表示遗忘门权重矩阵，[h_t-1,x_t]表示上一层输出与当前层输入作为整体的输入信号，b_f表示遗忘门偏置项，σ表示sigmoid函数；

所述输入门函数为：

i_t＝σ(W_i[h_t-1,x_t]+b_i)

其中，i_t表示输入门，W_i表示输入门权重矩阵，[h_t-1,x_t]表示上一层输出与当前层输入作为整体的输入信号，b_i表示输入门偏置项，σ表示sigmoid函数；

所述输出门函数为：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，o_t表示输出门，W_o表示输出门权重矩阵，[h_t-1,x_t]表示上一层输出与当前层输入作为整体的输入信号，b_o表示输出门偏置项，σ表示sigmoid函数；

所述单元状态函数为：

C_t＝f_t*C_t-1+i_t*C′_t

C′_t＝tanh(W_c·[h_t-1,x_t]+b_c)

其中，C_t表示当前时刻单元状态，f_t表示遗忘门，C_t-1表示上一时刻单元状态，i_t表示输入门，C′_t表示当前输入的单元状态，tanh表示tanh函数，W_c表示单元状态权重矩阵，[h_t-1,x_t]表示上一层输出与当前层输入作为整体的输入信号，b_c表示单元状态偏置项。

进一步地，在本发明的一个实施例中，所述利用反向传播算法对所述长短期记忆网络的参数进行优化这一步骤，其具体包括：

前向计算各个存储单元的遗忘门、输入门、输出门以及单元状态；

根据所述遗忘门、所述输入门、所述输出门以及所述单元状态反向计算各个存储单元的误差项值；

根据所述误差项值确定所述遗忘门权重矩阵的第一梯度、所述输入门权重矩阵的第二梯度、所述输出门权重矩阵的第三梯度以及所述单元状态权重矩阵的第四梯度；

对所述第一梯度、所述第二梯度、所述第三梯度以及所述第四梯度进行梯度更新，从而对所述遗忘门权重矩阵、所述输入门权重矩阵、所述输出门权重矩阵、所述单元状态权重矩阵、所述遗忘门偏置项、所述输入门偏置项、所述输出门偏置项以及所述单元状态偏置项进行优化。

第二方面，本发明实施例提出了一种基于长短期记忆网络的故障检测系统，包括：

信号分解模块，用于获取预设的第一振动信号，并通过后缀树算法对所述第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列；

训练样本集构建模块，用于根据所述第一重复特征波形和所述第一重复时间序列确定所述第一振动信号的第一时频特征图，并根据所述第一时频特征图构建训练样本集；

长短期记忆网络构建模块，用于构建长短期记忆网络，确定所述长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数；

模型训练及识别模块，用于将所述训练样本集输入到所述长短期记忆网络中进行训练，利用反向传播算法对所述长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据所述故障识别模型确定待检测的第二振动信号的故障类型识别结果。

第三方面，本发明实施例提供了一种基于长短期记忆网络的故障检测装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于长短期记忆网络的故障检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于长短期记忆网络的故障检测方法。

本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：

本发明实施例获取已知故障类型的第一振动信号，通过后缀树算法对第一振动信号进行分解得到第一重复特征波形和第一重复时间序列，然后根据第一重复特征波形和第一重复时间序列确定第一时频特征图，进而根据第一时频特征图构建用于长短期记忆网络训练的训练样本集，通过反向传播算法对长短期记忆网络的参数进行优化，得到训练好的故障识别模型，根据该故障识别模型即可确定待检测的第二振动信号的故障类型。本发明实施例一方面通过对振动信号进行分解，获取重复特征波形和重复时间序列两个不同尺度的信息，避免了傅里叶算法的混叠现象产生的误差，提高了训练样本的准确性和可靠性，进而提高了故障识别的准确度；另一方面通过长短期记忆网络可以识别各振动周期中故障信号出现的波形规律及其相互关系，从而可以提取出微量故障信号所隐含的特征信息，进一步提高了故障识别的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1为本发明实施例提供的一种基于长短期记忆网络的故障检测方法的步骤流程图；

图2为本发明实施例提供的后缀树算法的分解示意图；

图3为本发明实施例提供的叶节点递归调用顺序示意图；

图4为本发明实施例提供的时频特征示意图；

图5为本发明实施例提供的长短期记忆网络重复单元的顺序结构示意图；

图6为本发明实施例提供的长短期记忆网络的门控制示意图；

图7为本发明实施例提供的一种基于长短期记忆网络的故障检测系统的结构框图；

图8为本发明实施例提供的一种基于长短期记忆网络的故障检测装置的结构框图。

具体实施方式

下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。

参照图1，本发明实施例提供了一种基于长短期记忆网络的故障检测方法，具体包括以下步骤：

S101、获取预设的第一振动信号，并通过后缀树算法对第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列；

具体地，运用传感器采集已知故障类型的第一振动信号f(n)，n为采样点数。单次处理的数据量要求至少包含2个关注信号的完整周期，一般应达到关注特征周期的3～5倍以上，以获取更多的故障重复特征。

进一步作为可选的实施方式，通过后缀树算法对第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列这一步骤，其具体包括：

A1、通过平均分布或高斯分布对第一振动信号进行编码得到第一时域信号；

A2、通过后缀树算法对第一时域信号进行分解，得到多个故障波形信息和对应的时刻信息，并根据故障波形信息和时刻信息构建第一后缀树；

A3、对第一后缀树的各个节点进行遍历，获取重复出现的故障波形信息作为第一重复特征波形，并确定第一重复特征波形的第一重复时间序列。

具体地，按照第一振动信号的幅值区间，依照平均分布或者高斯分布按预设编码位数对第一振动信号进行编码。

按照平均分布对第一振动信号进行编码的公式如下：

C₁(n)＝Int[(f(n)-f₁，_min)*L_co_de/(f₁，_max-f₁，_min)]

按照高斯分布对第一振动信号进行编码的公式如下：

C₁(n)＝Int[IGD((f(n)-μ₁)/σ₁)*L_co_de]

其中，C₁(n)为n次采样数据对应的第一码带的编码值，也即第一时域信号，Int()为取整函数，L_code为预设的编码位数，f_1,max为第一振动信号的值域最大值，也即第一码带编码时的值域最大值，f_1,min为第一振动信号的值域最小值，也即第一码带编码时的值域最小值；μ₁为第一码带高斯分布均值，σ₁为第一码带的高斯分布方差，IGD为标准正态分布积分概率查表返回函数。

同时获得残差信号R₁(n)：R₁(n)＝f(n)-C₁(n)。

将编码后的C₁(n)进行后缀树重建。后缀树构建过程中遵循三个传递规则：

Relu1：当向根节点root插入新后缀时使用。active_node保持为root，active_edge被设置为即将被插入的新后缀的首字符，active_length减1。

Relu2：分裂(Split)一条边并且插入(Insert)一个新的节点时，如果该新节点不是当前步骤中创建的第一个节点，则将先前插入的节点与该新节点通过一个特殊的指针连接，称为后缀连接(Suffix Link)，在图示中通常以虚线绘制。

Relu3：当从active_node不为根节点root的节点分裂边时，沿着后缀连接(SuffixLink)的方向寻找节点，如果存在一个节点，则设置该节点为active_node；如果不存在，则设置active_node为root。active_edge和active_length保持不变。

下面对本发明实施例采用的后缀树算法进行介绍。存在一个原始数据列T＝t₁t₂...t_n，其中t_i(1≤i≤n+1)，n为数据长度，欲从t₁到t_n将原始数据依次分解为n+1个不重复子序列，第n+1个子序列为规定的终止符，用‘#’表示。为便于表达，相关符号说明如下：

O：(root)根节点，序列起点，无具体意义；

P：(acitve_piont)活动点，指定活动起始点；

N：(active_node)活动节点，指定某一子节点；

E：(active_edge)活动边，指定序列连接方向；

L：(active_edge)活动长度，指定序列移动的数据量；

R：(remainder)剩余后缀数，指明未连接的后缀的数目；

#：终止符；

Street(T)：最终分解结果。

从根节点O开始，从左到右依次分解原始数据序列，直到产生第n+1个序列。如下式：

STree(T)＝(F_i,f_i,g_i),i∈[1,n]

其中，F_i表示主边序列，f_i表示子边序列，g_i表示数据i的连接方式，包括活动点P和剩余后缀数R的取值。当数据处于t_i(1≤i≤n)位置时，通过如下传递方式，完成各条边的连接。

1)i＝1时

P₁＝(O,'F₁',1)，R＝1。起始位置选定根节点O；活动边E设为‘F₁’；活动长度L和剩余后缀数R设置为1，表明只需传入一个数据量。STree(T¹)＝(F₁,g₁)。

2)i>1时

①

即t_i为STree(T^i-1)后新出现的数据，设置P_i＝(O,'F₁',i)，R＝i。直接连接在全部主边之后，从F₁开始迭代更新P_ik＝(O,'F_k',i-k+1)，其中k表示主边数目，k∈(0,i]，k＝k+1,R＝R-1，直至i＝k，停止更新P_ik。在对已有边进行延展后，创建一个新的主序列F^k+1，以根节点O作为起始点，以t_i作为其第一条边。STree(Tⁱ)＝(F_i,g_i)。

②t_i∈T^i-1，即t_i已经在前缀中出现，被视为重复数据。从主链F₁的第一个数据t₀开始，寻找与t_i重复的数据出现的位置，取j表示边长L。设置P_i＝(O,'F₁',j)，R＝1。由于未知t_i+1的数据特点，暂时只能取定活动点P_i和剩余后缀数R，并不能给出具体的数据序列的方向。由j可断定所有前j个主链中均存在与t_i重复的数据，因此，j从1开始，迭代更新P_ij＝(O,'F_j',i-j)，L∈(0,j]，L＝L-1，R＝1，每次更新中，主边续接t_i，R值不变，恒为1，只对t_i这一个数据量进行操作。此步骤可参考规则1，活动点为根节点，活动边设置为新后缀的初始数据，操作一次后，活动边长减1。该过程未创建新边。活动点的更新用于连接后缀数据，不能作为创建新边的标准。

③在第②步的前提下，创建子序列f_i，f_i均以活动点P_ij为起点，从主边F_j中分离，沿用主边F_j的前缀数据。子序列f_i中导入数据同主边F_j一致，将数据t_i续接在序列后即可。STree(Tⁱ)＝(F_i,f_i,g_i),i＜n。

④建立后缀连接(Suffix Link)。重复数据t_i出现后，每一主边均会产生一个或多个子边节点P_Fi，如果该节点不是当前数据插入过程中创建的第一个节点P_F1，则将先前插入的节点与该新节点通过一个特殊的指针连接，称为后缀连接。

⑤当从N不为根节点O的节点分裂边时，沿着后缀连接(Suffix Link)的方向寻找节点，如果存在一个节点，则设置该节点为N；如果不存在，则设置N为O。E和L保持不变。

⑥循环上述②-⑤步，直到i＝n时，完成了所有数据的分解。

以‘abcabxabcd’字符串为例，完成字符串的后缀树分解，如图2所示，序号为主从边编号，‘#’为结束符，空心圆表示父节点，三角形编号表示叶节点，箭头表示搜索顺序。

加入终止符后，总共分成11个子串，如下表1所示：

序号	字符串	类
			1	abcabxabcd#	主边
2	bcabxabcd#	主边
			3	cabxabcd#	主边
4	abxabcd#	子边
			5	bxabcd#	子边
6	xabcd#	主边
			7	abcd#	子边
8	bcd#	子边
			9	cd#	子边
10	d#	主边
			11	#	子边

表1

由表1可以清晰看出，原字符串可分解为若干个不重复子串，子串所能携带的信息量也不尽相同。后缀树分解，仅仅是对原数据的处理，完成了数据编码的再编排过程，以牺牲存储量来换取特征数据段的读取时间，完整保留了所有数据信号。

进一步作为可选的实施方式，对第一后缀树的各个节点进行遍历，获取重复出现的故障波形信息作为第一重复特征波形，并确定第一重复特征波形的第一重复时间序列这一步骤，其具体包括：

A31、从第一后缀树的根节点开始，通过深度优先的嵌套遍历算法对第一后缀树的各个节点进行遍历；

A32、获取重复出现的故障波形信息作为第一重复特征波形，并确定第一重复特征波形对应的多个时刻信息；

A33、根据第一重复特征波形对应的多个时刻信息确定第一重复特征波形的第一重复时间序列。

进一步作为可选的实施方式，通过深度优先的嵌套遍历算法对第一后缀树的各个节点进行遍历这一步骤，其具体包括：

B1、创建与第一时域信号等长的重复时刻存储数组；

B2、创建与第一后缀树的非叶节点数量一致的重复特征记录数组；

B3、运行Depth_First嵌套函数，输入节点编号和父节点重复波形长度，输出重复时刻起始位置、重复波形长度、波形重复次数、节点重复字符串长度以及多个重复时刻；

其中，重复特征记录数组用于存储重复时刻起始位置、重复波形长度、波形重复次数以及节点重复字符串长度，重复时刻存储数组用于存储重复时刻。

具体地，算法伪代码如下：

Depth_First嵌套函数(简写为DF)：

输入：节点编号nNodeID，父节点重复波形长度nFatherNodeRepeatLength；

输出：重复时刻起始位置，重复波形长度nNodeRepeatLength，波形重复次数nWRIndex，重复时刻存储数组(全局变量)；

1：重复波形长度＝当前节点字符长度+父节点重复波形长度

2：记录节点重复时刻起始位置

3：按照节点编号访问该节点的第一个子节点

4：波形重复次数＝0

5：repeat

6：if子节点是非叶节点

7：递归调用子节点DF函数，获取子节点波形重复次数

8：波形重复次数＝波形重复次数+子节点波形重复次数

9：else//子节点是叶节点

10：波形重复次数＝波形重复次数+1

11：将叶节点编号填入重复时刻存储数组

12：end if

13：until所有子节点均已访问

14：return重复波形长度

深度优先算法：

1：创建与待处理信号等长的重复时刻存储数组；

2：创建与非叶节点数量一致的重复特征记录数组，包含如下信息：{重复波形字符串终止地址，节点重复字符串长度，重复时刻起始位置，波形重复次数}；

3：运行DF(根节点编号，0)//父节点重复波形长度为0；

4：获得故障的特征波形与对应重复时间序列的特征。

时频特征提取算法将后缀树算法中创建的节点仅遍历了一次。由于后缀树算法的复杂度为O(n)，所以时频特征提取算法的复杂度同样是O(n)。

下面以abcabxabcd字符串的后缀树结构为例，进一步说明本发明实施例时频特征提取算法的基本原理。

DF函数递归调用顺序如图3所示，依次为DF(0,0)，DF(1,0)，DF(3,2)，DF(4,1)，DF(2,0)，DF(5,0)，DF(0,0)，每条主边中，访问完叶节点均需回到父节点处，等待下一次节点搜索。

根据图2中非叶节点次序完成子序列特征数组，分解结果见表2，表3。

1	2	3	4	5	6	7	8	9	10	11
											a	b	c	a	b	x	a	b	c	d	#
1	7	4	2	8	5	3	9	6	10	11

表2

表2第1行为原字符串‘abcabxabcd’各字符编号，第2行为原字符串，第3行为提取后的重复性特征分解序列，其值对应图2中叶节点编号，也对应值所示采样点的时刻。该数组的存储量与原始数据长度一致，其最后一位始终对应字符串终止符，该位可以省略。

NUM	W_End	ReLen	Start_RTV	RepTimes	Node_str
						1	2	2	1	3	ab
2	2	1	4	3	b
						3	3	3	1	2	c
4	3	2	4	2	c
						5	3	1	7	2	c

表3

表3中记录了每一个非叶节点的重复特征数组信息，包括重复特征波形终止点，重复特征波形长度ReLen，重复时间特征向量起始点Start_RTV，重复次数RepTimes。为了便于理解，表3中添加了节点编号NUM与节点字符串Node_str。表3中节点编号与节点字符串均与图2中标注一致，均可由后缀树算法直接获取。

进一步作为可选的实施方式，故障检测方法还包括以下步骤：

获取超过预设的重复次数阈值的重复特征波形的最大重复长度，当最大重复长度大于等于预设的长度阈值且残差编码的次数小于等于预设的编码次数阈值，对残差编码的参数进行更新后再进行残差编码和信号分解。

具体地，检验超过预设重复次数波形的最大重复长度，如该长度小于预设值或者残差分析次数i大于预设值则终止分析。如该长度大于等于预设值且残差分析次数i小于等于预设值，则对第i次残差信号R_i(n)继续执行分解。

其中残差编码时参数修正的规则如下：

如果依照平均分布进行编码，则采用下式更新上下限：

如果依照高斯分布进行编码，则：

a)可重新依照平均分布进行残差编码，同样采用上式更新上下限。

b)依然依照高斯分布编码，采用下式更新参数：

μ_i＝0

再利用下式进行残差编码：

C_i(n)＝Int[(IGD((R_i-1(n)-μ_i)/σ_i)-0.5)*2*L_code]

S102、根据第一重复特征波形和第一重复时间序列确定第一振动信号的第一时频特征图，并根据第一时频特征图构建训练样本集。

具体地，输出故障特征包含重复特征波形与重复时间序列两个信息。如表3中重复特征波形长度ReLen最大为3，对应重复特征波形终止点W_End为3，因此该特征的波形为表2第2行前3位所示的“abc”，而对应的重复时间序列特征为表2第3行从重复时间特征向量起始点Start_RTV即第1位开始的共重复次数RepTimes的2个序列，即“1,7”。因此重复波形长度为3采样点的故障特征为：

{“abc”，“1,7”}

同理，重复长度为2的特征有：

{“ab”，“1,7,4”}、{“bc”，“2,8”}

重复特征波形与重复时间序列可单独或共同作为故障特征用于后续故障诊断。结合动力学模型，也可将多个重复时间序列的交、并集及其补集等集合运算结果作为故障特征。其中某时刻最大波形重复长度越长意味着该时刻附近更长时间内的数据结构稳定性越好。当干扰近似白噪声时，该时刻的瞬时频率也相对越低。反之某时刻最大波形重复长度越短，意味该时刻数据结构越不稳定，该时刻的瞬时信号也越接近于突变或冲击信号。

进一步作为可选的实时方式，根据第一重复特征波形和第一重复时间序列确定第一振动信号的第一时频特征图，并根据第一时频特征图构建训练样本集这一步骤S102，其具体包括：

S1021、根据预设的重复长度范围，对第一重复特征波形和第一重复时间序列进行归一化处理，得到第一振动信号的第一时频特征图；

S1022、根据第一时频特征图确定训练样本；

S1023、获取第一振动信号的故障类型，根据故障类型生成故障类型标签；

S1024、根据训练样本和故障类型标签构建训练样本集。

具体地，第一时频特征图的横坐标表示时刻信息，第一时频特征图的纵坐标表示重复波形长度，第一时频特征图的像素点的色彩值表示对应时刻的数据在对应重复波形长度的重复特征波形中的参与程度，从而可以实现第一振动信号的故障特征可视化。

如图4所示为本发明实施例提供的时频特征示意图。将字符串数据类比于振动信号，图4中颜色深浅代表着不同时刻数据在当前重复长度中的活跃程度。第2行“b”字符的对应的色彩值较亮，表示其处很可能存在频率较低的周期性信号。第1行“x”、“d”字符处数值存在低值，表明该时刻信号极不稳定，可能存在冲击等突变信号。第1行2处“a”字符数值也存在低值，但第二行对应位置值反而更大，表示“a”字符对应信号隶属于后续的“ab”字符，在处理数据中不会脱离“ab”单独出现。

后缀树分解后，得到具有时频特征的图像结果。图像中出现的低频凹坑位置，可视为故障件受到冲击的时刻；图像中出现的高频高亮的区域，可视为系统的固有振动信号。对于一个旋转系统而言，旋转周期小，振动频率高，很难直接判断出图像各色块之间的差异(色块表征为信号时频特征)，因此，本发明实施例引入长短期记忆网络，用识别图像的方式识别各类别故障的时频特征图，从而判断具体的故障类型。

S103、构建长短期记忆网络，确定长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数。

具体地，长短期记忆网络(Long Short Term Memory Network,LSTM)，是一种改进之后的循环神经网络，在LSTM网络中，常规的存储单元被存储单元替代，每个存储单元由输入门、输出门、单元状态等组成。下面对本发明实施例采用的长短期记忆网络进行说明。

LSTM网络顺序结构如图5所示，在t时刻，LSTM的输入有三个：当前时刻网络的输入值X_t、上一时刻LSTM的输出值X_t-1、以及上一时刻的单元状态C_t-1；LSTM的输出有两个：当前时刻LSTM输出值h_t、和当前时刻的单元状态C_t。

对于长期状态c的控制，采用三个门控制开关进行衡量，既要考虑前一存储单元的输出的影响，又要考虑当前输入值的影响，还要关注当前存储单元对后续传递的影响程度，因此，合理利用三个门控制开关成为信号传递和参数更新的重要环节。

在存储单元随着时间传递信息的过程中，使用三个控制开关来衡量状态单元c，具体分配方式见图6。第一个开关(左)，负责控制继续保存长期状态c，衡量上一存储单元对于当前存储单元的影响程度，决定着记忆经验对当前时间点的影响；第二个开关(下)，负责控制把即时状态输入到长期状态c，输入信号不必全部传入模型，仅仅把需要考虑的度量值传入即可，；第三个开关(右)，负责控制是否把长期状态c作为当前的LSTM的输出。值得一提的是，此处使用的门开关仅仅是其作用上的门定义，其值是0-1之间的向量值，被使用权值度量的方式进行运算，而不是单纯认定为0或1的门开关。

门开关实际上就是一层全连接层，输入是一个向量，输出是一个0到1之间的实数向量。使用时将门开关的输出向量按各个元素乘以需要控制的向量作为输出向量。门的输出是0到1之间的实数向量，当门输出为0时，任何向量与之相乘都会得到0向量，相当于什么都不能通过；输出为1时，任何向量与之相乘都不会有任何改变，相当于什么都可以通过。Sigmoid函数实现输出量的归一化操作，使输出值为0-1之间的概率值。

本发明实施例将使用后缀树处理后的时频图作为LSTM模型的输入数据，对网络进行训练，该过程可以对数据进行逐层特征学习和映射，然后将深层次的时频特征信号特征送入Softmax分类器进行训练，接着利用训练得到的权值对LSTM进行初始化，利用反向传播算法对构建的LSTM网络模型进行权值优化，使LSTM网络模型收敛达到全局最优，最终达到故障识别的目的。

进一步作为可选的实施方式，确定长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数这一步骤，其具体包括：

C1、确定长短期记忆网络的初始参数，初始参数包括存储单元个数、网络层数、训练次数、遗忘门权重矩阵、输入门权重矩阵、输出门权重矩阵、单元状态权重矩阵、遗忘门偏置项、输入门偏置项、输出门偏置项以及单元状态偏置项；

C2、根据初始参数确定遗忘门函数、输入门函数、输出门函数以及单元状态函数。

进一步作为可选的实施方式，遗忘门函数为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

输入门函数为：

i_t＝σ(W_i[h_t-1,x_t]+b_i)

输出门函数为：

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

单元状态函数为：

C_t＝f_t*C_t-1+i_t*C′_t

C′_t＝tanh(W_c·[h_t-1,x_t]+b_c)

具体地，前向传递过程中，通过控制相邻存储单元之间的门控制开关来控制信号的传递过程，主要可分为三个门类，具体如下：

1)遗忘门(forget gate):决定上一时刻的单元状态C_t-1有多少信息量仍保留到当前时刻C_t中，实现数据的记忆更新。

2)输入门(input gate):决定当前时刻网络的输入X_t有多少保存到单元状态C_t，实现输入数据的筛选，起到减少数据输入的目的。

3)输出门(output gate):控制单元状态C_t有多少输出到LSTM的当前输出值h_t，减少数据输出。

遗忘门可以保存很久很久以前的信息，通过σ函数实现输出值的归一化，将原有信息的影响作为重要参考量决定当前值的传播过程，起到记忆更新的目的。

输入门可以对当前输入数据进行筛选，可以避免当前无关紧要的内容进入存储单元中。

根据上一次的输出和本次输入来计算当前输入的单元状态；当前时刻的单元状态C_t的计算：由上一次的单元状态C_t-1按元素乘以遗忘门f_t，再用当前输入的单元状态C_t按元素乘以输入门i_t，再将两个积加和：这样，就可以把当前的记忆C_t和长期的记忆C_t-1组合在一起，形成了新的单元状态C_t。由于遗忘门的控制，它可以保存很久很久之前的信息，由于输入门的控制，它又可以避免当前无关紧要的内容进入存储单元。

输出门主要作用是控制长期记忆对当前输出的影响。输出门的输出值h_t如下：

h_t＝o_t*tanh(C_t)

S104、将训练样本集输入到长短期记忆网络中进行训练，利用反向传播算法对长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据故障识别模型确定待检测的第二振动信号的故障类型识别结果。

进一步作为可选的实施方式，利用反向传播算法对长短期记忆网络的参数进行优化这一步骤，其具体包括：

D1、前向计算各个存储单元的遗忘门、输入门、输出门以及单元状态；

D2、根据遗忘门、输入门、输出门以及单元状态反向计算各个存储单元的误差项值；

D3、根据误差项值确定遗忘门权重矩阵的第一梯度、输入门权重矩阵的第二梯度、输出门权重矩阵的第三梯度以及单元状态权重矩阵的第四梯度；

D4、对第一梯度、第二梯度、第三梯度以及第四梯度进行梯度更新，从而对遗忘门权重矩阵、输入门权重矩阵、输出门权重矩阵、单元状态权重矩阵、遗忘门偏置项、输入门偏置项、输出门偏置项以及单元状态偏置项进行优化。

具体地，和BP神经网络类似，LSTM网络反向更新主要可分为三步：确定参量、计算误差、梯度更新。

1)确定参量：前向计算每个存储单元的输出值，一共有4个变量(f_t、i_t、c'_t、o_t)，计算方法如前述具体公式所示。

2)误差计算：反向计算每个存储单元的误差项值。与RNN一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播。

3)梯度更新：根据相应的误差项，计算每个权重的梯度。

σ′(z)＝y(1-y)

门开关的激活函数定义为sigmoid函数，输出的激活函数为tanh函数，导数分别为：

tanh′(z)＝1-y²

网络优化的目标是要学习8组参数，包括遗忘门的权重矩阵和偏置项，输入门的权重矩阵和偏置项，输出门的权重矩阵和偏置项，单元状态的权重矩阵和偏置项。

权重矩阵W都是由两个矩阵拼接而成，两部分在反向传播中使用不同的公式，在后续的推导中，权重矩阵也要被写为分开的两个矩阵[w_fh,w_fx]。

误差项沿时间的反向传递中，计算出t-1时刻的误差项如下：

利用h_t和C_t的定义，和全导数公式，可以得到将误差项向前传递到任意k时刻的公式：

梯度更新如下表4所示。

表4

本发明实施例采用反向传播算法对长短期记忆网络的参数进行优化更新，迭代几轮即可得到训练好的故障识别模型。具体的迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。

对于待检测的第二振动信号，同样利用后缀树算法得到其时频特征图，然后输入到训练好的故障识别模型，即可实现对第二振动信号的故障类型识别。

以上对本发明的方法步骤进行了说明。可以认识到，本发明实施例一方面通过对振动信号进行分解，获取重复特征波形和重复时间序列两个不同尺度的信息，避免了傅里叶算法的混叠现象产生的误差，提高了训练样本的准确性和可靠性，进而提高了故障识别的准确度；另一方面通过长短期记忆网络可以识别各振动周期中故障信号出现的波形规律及其相互关系，从而可以提取出微量故障信号所隐含的特征信息，进一步提高了故障识别的准确度。

与现有技术相比，本发明实施例还具有以下优点：

1)后缀树算法提取故障信号具有时效性。采用后缀树算法的优势在于信号数据的重新编码，适度增加信号的存储量来达到快速提取重复故障信号的目的。

2)信号的完整性。采用后缀树对采集的时域信号进行特征提取，整个过程均无信号的损失，保留了关注信号的所有信息。

3)自动化程度高。信号采集、处理，类别识别等过程可在线依次完成，达到降低人工劳动强度和劳动成本的目标。

4)数据利用率高。LSTM模型中，将时间节点前后信号进行密切关联，分析时间序列变化过程中的模型的更新趋势，降低输入数据量的同时将历史节点进行记忆更新，增强数据间的制约关系。

5)模型迁移能力强。LSTM模型天然的优势在于数据间的联系可作为模型更新的重要参量。在机械设备运行中，信号的重复性极低，另一方面故障信号和噪声间杂合，很难直接识别。LSTM网络能够将特定时间段的信号进行训练，提取该段独有的特征，并可将该类特征作为此类故障的直接判定依据。

参照图7，本发明实施例提供了一种基于长短期记忆网络的故障检测系统，包括：

信号分解模块，用于获取预设的第一振动信号，并通过后缀树算法对第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列；

训练样本集构建模块，用于根据第一重复特征波形和第一重复时间序列确定第一振动信号的第一时频特征图，并根据第一时频特征图构建训练样本集；

长短期记忆网络构建模块，用于构建长短期记忆网络，确定长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数；

模型训练及识别模块，用于将训练样本集输入到长短期记忆网络中进行训练，利用反向传播算法对长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据故障识别模型确定待检测的第二振动信号的故障类型识别结果。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

参照图8，本发明实施例提供了一种基于长短期记忆网络的故障检测装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种基于长短期记忆网络的故障检测方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种基于长短期记忆网络的故障检测方法。

本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种基于长短期记忆网络的故障检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(R AM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于长短期记忆网络的故障检测方法，其特征在于，包括以下步骤：

将所述训练样本集输入到所述长短期记忆网络中进行训练，利用反向传播算法对所述长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据所述故障识别模型确定待检测的第二振动信号的故障类型识别结果；

所述通过后缀树算法对所述第一振动信号进行分解，得到第一重复特征波形和第一重复时间序列这一步骤，其具体包括：

2.根据权利要求1所述的一种基于长短期记忆网络的故障检测方法，其特征在于，所述对所述第一后缀树的各个节点进行遍历，获取重复出现的故障波形信息作为第一重复特征波形，并确定所述第一重复特征波形的第一重复时间序列这一步骤，其具体包括：

3.根据权利要求1所述的一种基于长短期记忆网络的故障检测方法，其特征在于，所述根据所述第一重复特征波形和所述第一重复时间序列确定所述第一振动信号的第一时频特征图，并根据所述第一时频特征图构建训练样本集这一步骤，其具体包括：

根据所述第一时频特征图确定训练样本；

根据所述训练样本和所述故障类型标签构建训练样本集。

4.根据权利要求1所述的一种基于长短期记忆网络的故障检测方法，其特征在于，所述确定所述长短期记忆网络的初始参数、遗忘门函数、输入门函数、输出门函数以及单元状态函数这一步骤，其具体包括：

5.根据权利要求4所述的一种基于长短期记忆网络的故障检测方法，其特征在于，所述遗忘门函数为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)

所述输入门函数为：

i_t＝σ(W_i[h_t-1,x_t]+b_i)

所述输出门函数为：

o_t＝σ(W_o.[h_t-1,x_t]+b_o)

所述单元状态函数为：

C_t＝f_t*C_t-1+i_t*C′_t

C′_t＝tanh(W_c.[h_t-1,x_t]+b_c)

6.根据权利要求4所述的一种基于长短期记忆网络的故障检测方法，其特征在于，所述利用反向传播算法对所述长短期记忆网络的参数进行优化这一步骤，其具体包括：

7.一种基于长短期记忆网络的故障检测系统，其特征在于，包括：

模型训练及识别模块，用于将所述训练样本集输入到所述长短期记忆网络中进行训练，利用反向传播算法对所述长短期记忆网络的参数进行优化，得到训练好的故障识别模型，进而根据所述故障识别模型确定待检测的第二振动信号的故障类型识别结果；

8.一种基于长短期记忆网络的故障检测装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至6中任一项所述的一种基于长短期记忆网络的故障检测方法。

9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至6中任一项所述的一种基于长短期记忆网络的故障检测方法。