基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112179654A(43)申请公布日2021.01.05(21)申请号202011039284.7(22)申请日2020.09.28(71)申请人西南交通大学地址610031四川省成都市金牛区二环路北一段111号(72)发明人张敏张训杰李贤均许文鑫(74)专利代理机构成都虹盛汇泉专利代理有限公司51268代理人王伟(51)Int.Cl.G01M13/045(2019.01)G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图7页(54)发明名称基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法(57)摘要本发明公开了一种基于GAF‑CNN‑BiGRU网络的滚动轴承故障识别方法，首先利用格拉姆角场将滚动轴承振动信号数据转换成二维图像，然后再利用CNN‑BiGRU网络模型完成故障分类；利用格拉姆角场将滚动轴承振动信号数据转换成二维图像，不仅保留了原始信号的完整信息，而且保留了数据对时间的依赖性；而CNN‑BiGRU网络模型中通过卷积单元实现对二维图像中空间特征的提取，进一步通过双向门控制单元筛选出其时间特征，从而提高故障分类的准确率。CN112179654ACN112179654A权利要求书1/2页1.一种基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于包括以下步骤：L1将接收的滚动轴承振动信号数据利用格拉姆场转换成二维图像；该步骤包括以下分步骤：L11将接收的滚动轴承振动信号数据进行归一化处理；L12将归一化处理后的数据映射到极坐标系上；L13依据映射到极坐标系上的数据通过格拉姆角场得到二维图像；L2将转换后的二维图像输入到训练好的CNN-BiGRU网络模型中，输出滚动轴承故障类别。2.根据权利要求1所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于步骤L11中，将接收的数据按照公式(1)归一化到[-1,1]，或者按照公式(2)归一化到[0,1]：式中，时间序列X＝{x1,x2,x3,…,xn}，表示滚动轴承振动信号样本，xi表示样本中第i个滚动轴承振动信号，n表示样本中滚动轴承振动信号数量，max(X)表示样本中滚动轴承振动信号中的最大值，min(X)表示样本中滚动轴承振动信号中的最小值。3.根据权利要求2所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于步骤L12中，按照以下公式对归一化处理后的数据进行编码，映射到极坐标系上：式中，表示归一化后的滚动轴承振动信号，取表示归一化后的时间序列；ti为xi对应的时间戳，表示时间戳时间戳集合，N是一个归一化因子，其将给定的单位圆半径区间[0,1]分成N等份，N与样本中滚动轴承振动信号数量n相等。4.根据权利要求3所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于步骤L13中，将映射到极坐标系上的数据利用格拉姆角和场或格拉姆角差场得到二维图像。5.根据权利要求4所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于所述格拉姆角和场的定义为：所述格拉姆角和场的定义为：2CN112179654A权利要求书2/2页式中，I为单位行向量[1,1,…,1]，表示的转置，表示的转置。6.根据权利要求4所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于所述CNN-BiFRU网络模型包括顺次设置的一个及以上的卷积单元、双向门控制单元、全连接层和输出层。7.根据权利要求4所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于所述双向门控制单元包括两个常规的GRU和一个融合层，其中一个GRU对输入序列数据沿时间正序进行处理，另外一个GRU对输入序列数据沿时间逆序进行处理，然后将两个GRU的处理结果通过融合层进行合并得到双向门控制单元的输出结果。8.根据权利要求6所述基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法，其特征在于所述CNN-BiGRU网络模型的训练方法包括以下步骤：S1将用于训练的滚动轴承振动信号数据利用格拉姆角场转换成二维图像，构建训练用二维图像数据；S2将训练用二维图像数据输入到CNN-BiGRU网络模型；S3判断CNN-BiGRU网络模型是否收敛，若模型收敛，即完成对CNN-BiGRU网络模型的训练；若模型不收敛，则进入步骤S4；S4对CNN-BiGRU进行优化，然后返回步骤S2。3CN112179654A说明书1/10页基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法技术领域[0001]本发明属于旋转机械故障识别技术领域，涉及滚动轴