没有合适的资源?快使用搜索试试~ 我知道了~
基于一维WConv-BiLSTM的轴承故障诊断算法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 195 浏览量
2022-07-14
11:08:37
上传
评论
收藏 733KB DOCX 举报
温馨提示
试读
16页
基于一维WConv-BiLSTM的轴承故障诊断算法.docx
资源推荐
资源详情
资源评论
现代电气设备多趋向于复杂化与系统化。滚动轴承是电机等旋转电气设备
的核心部件,具有易损坏的缺点。滚动轴承发生故障的影响范围较大,会带来巨
大损失。因此,轴承的故障诊断对于电气设备的安全运行起着至关重要的作用。
在实际工业应用中,电机设备常在变工况的状态下运行,现场传感器所采集多是
含噪声干扰的非平稳数据。在噪声干扰的状况下,稳定高效地进行电机轴承故
障诊断是目前研究的重点问题
[1,2]
。
目前,针对含有噪声干扰的轴承故障诊断问题主要集中于信号特征提取与
机器学习相结合方法的研究。研究人员通过小波变换
[3]
、经验模态分解
[4]
、变
分模态分解
[5]
等信号特征提取方法反映轴承状态。且对工况与噪声干扰不敏感
的特征,再通过神经网络
[6]
、支持向量机
[7]
等机器学习方法实现故障识别。上述
方法在处理小样本低噪声干扰的问题展现出良好的性能,但在处理大量样本且
干扰复杂的问题时存在以下问题:将故障诊断方法分为去噪、特征提取、特征
降维和特征分类 4 个孤立的部分,破坏了各部分间的耦合关系,造成部分故障信
息损失。因此,采用传统机器学习的算法难以处理数据量较大的问题
[8]
。
深度学习算法中,卷积神经网络(Convolutional Neural Network,CNN)能有
效地提取数据的空间特征,故被广泛应用于图像处理、语音识别、视频处理以
及故障诊断等领域
[9,10]
。在轴承故障诊断领域,基于 CNN 故障诊断模型的输入
通常采用二维的时频图
[11]
或一维的时序数据
[12,13]
。李恒等人
[14]
提出基于短时傅
里叶变换(Short-Time Fourier Transform,STFT)和深度全卷积神经网络的轴承
故障诊断方法。该方法通过 STFT 提取时频图特征,利用 DCNN 实现了端到端
的故障诊断。轴承振动数据是一种时间序列数据,在特征提取时使用以上方法,
仅提取了数据的空间特性,忽略了时序特性。因此,使用以上方法在处理强噪声
干扰的故障诊断问题时所展现出的性能有所下降。
双向长短记忆神经网络(Bidirectional Long and Short Memory,BiLSTM)是
循环神经网络的一种特殊结构,其适用于处理序列数据,被广泛应用于语音识别、
情感识别等序列数据的处理与预测中
[15,16]
。BiLSTM 网络能有效分析时间序列
数据的序列相关性,充分利用数据的时间特征来提高模型的识别效果。但对于
数据量较大的问题,其提取数据非线性特征的效果较差,且模型的训练速度较慢,
需要与特征提取以及特征降维方法联合使用
[17]
。
为了解 决上述 问题,本文 提出了 一种基 于首层 为宽卷 积核的 卷积层 (Wide
Convolution,WConv)和双向长短记忆神经网络的模型。该模型首先通过短时傅
里叶变换,将时域数据转换为时频图;然后通过三层堆叠的一维卷积池化层,提取
数据的空间特征并起到保留序列特征的作用,其首层采用宽卷积核以增强网络
的感受野;随后通过 BiLSTM 层提取序列特征;最后经两层全连接层分类。为提
高模型 处理 含噪声 干扰 的轴 承故障 诊断 问题的 性能 以及 泛化能 力,采 用 mini-
batch 、 批 量 标 准 化 (Batch Normalization,BN) 和 数 据 增 强 (Data
Enhanncement,EM)的方法。文中采用凯西西储大学(Casey Western Reserve
University,CWRU)轴承故障数据集构造的噪声干扰数 据集对所提出模型的效
果进行验证。
1 短时傅里叶 变换
短时傅里叶变换是一种时频变换方法,可将时域数据转换为时频图。STFT
的定义是采用固定宽度的傅里叶窗函数沿信号的时间轴移动截取信号,将信号
截取为多个等长的子信号,每个子信号近似平稳;然后对子信号傅里叶变换,得到
各时刻 t 的局部频谱集合,从而构成时间和频率的二维时频图。其计算式为
STFT=∫ +∞-∞X tF t-τe
-jωt
dτ
(1)
式中,X(t)为原信号;F(t-τ)表示中心位于 τ 时刻的傅里叶窗。根据文献[14]可
知,对于 STFT,所选取的傅里叶窗的宽度影响所构造的时频图的时域与频域的
分辨率 R,而 R 又决定了时频图所包含的信息。这些信息既包括有用的故障信
息,也包含噪声干 扰。因此合 理的 T 和 F 能够使故 障信号显著 ,减少噪声干扰。
T=Xs-XrXw-
Xr,F=Nx2+1,NxisevennumberNx+12,Nxisoddnumber,R=T×F
(2)
针对轴承振动信号,可以利用轴承故障特征频率的一倍频确定样本的长度,
根据二倍频确定 STFT 窗口的宽度。
2 WConv-LSTM
卷积神经网络是一种前馈神经网络,能高效地提取样本的时空特征。CNN
的结构主要包括卷积层、池化层、批量标准化层以及激活层。双向长短记忆神
经网 络是 一 种特 殊 的循 环 神经 网 络,能提 取数 据 的时 间 特征 。 本文 分别 利 用
CNN 和 LSTM 提取时频图的空间特征和序列特征。
2.1 一维卷积层
卷积神经网络可根据处理数据维度建立不同的卷积层。2D 卷积应用于图
像数据,是通过 2D 滤波器沿 2D 特征图的 X 和 Y 两个维度做卷积运算,提取特
征图的空间特征,但对于序列数据却很难保留序列特征。1D 卷积适用于一维序
列数据,沿数据的单一维度方向移动做卷积运算,在提取空间特征的同时可有效
保留序列特征。对于时间序列数据,1D 卷积利用多个滤波器沿数据时间轴移动
进行卷积运算提取特征,加上偏置后通过一个激活函数就可以得到保留时间特
征的特征图,其计算式为
=f ∑i=1Flωijlτ×Mjlτ+bil=f ∑iFl∑t=1TlωijltMilτ-tMil+1
(3)
2.2 池化层
池化层位于卷积层后,对特征图进行下 M 采样,以降低特征图的维度。本文
采用最大池化层,假设卷积层的输出特征图为 X∈ M,N,D,最大池化层是利用
w×d 的 patch 沿特征图的单一方向以步长 S 移动,将每个特征图 X
d
划分为多个
区域 Rmd,其中 1<m<M,在每个区域内进行池化操作输出神经元的最大值
Pmd= maxi∈Rmd{x
i
}
(4)
其中,x
i
为区域 Rmd 内每个神经元的激活值。
2.3 批量标准化层
批量标准化是为减少内部协方差偏移问题,提出的一种逐层归一化方法,能
对神经网络的任意中间层进行归一化操作,并减少各层间样本的差异性,从而起
到缩减训练时间以及避免梯度消失和梯度爆炸的作用。在卷积神经网络中,BN
层通常设置于卷积层与激活层之间。具体计算式如下
μ
B
= 1M∑m=1Mx
m
, σB2= 1M∑m=1Mxm-μB2
(5)
= xm-μBσB2+εx˙m
(6)
其中,M={x
1
,x
2
,…,x
n
};μ
B
为 mini-batch 内样本的均值; σB2 为 mini-batch 内
样本的方差。BN 方法引入缩放和平移参数,使批量标准化结果能自适应的扩展
与平移,具体计算式如式(7)所示。
剩余15页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3675
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 基于JavaScript和CSS的随寻订购网页设计源码 - web-order
- 基于MATLAB的声纹识别系统设计源码 - VoiceprintRecognition
- 基于Java的微服务插件集合设计源码 - wsy-plugins
- 基于Vue和微信小程序的监理日志系统设计源码 - supervisionLog
- 基于Java和LCN分布式事务框架的设计源码 - tx-lcn
- 基于Java和JavaScript的茶叶评级管理系统设计源码 - tea
- IMG_5680.JPG
- IMG_0437.jpg
- 基于Java的JAVA项目分析工具设计源码 - JAVAProjectAnalysis
- top888.json
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功