本发明属于故障智能诊断领域，具体涉及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。
背景技术：
轴承作为旋转机械的重要组成部分，需要对其健康状态进行有效的监测。故障诊断是轴承故障智能诊断领域的重要研究内容。构造一个有效的退化指标，同时利用故障发展的历史数据对故障状态进行判断是这项工作的关键。轴承在发生缺陷损伤之后产生的振动信号是轴承故障诊断的重要依据，振动信号的时频域特征也是传统故障诊断方法的重要手段。
对于数据驱动的智能诊断方法来说，一方面相对于传统时频域特征，众多新提出的特征量与轴承故障程度的对应关系不明确；另一方面对于故障的阈值特别是早期故障出现的阈值没有明确的界定，如何避免人为确定失效阈值带来的盲目性和不确定性成为故障区分的难点。当前的轴承退化评估研究还存在以下一些问题：缺少能全面反应轴承退化趋势的特征量；对退化过程历史信号的利用不足。
技术实现要素：
本发明旨在至少解决上述技术问题之一。
为此，本发明的目的在于提出一种基于循环神经网络的轴承早期故障识别方法。构建基于熵特征的轴承退化指标，通过解调分析验证了所提轴承熵指标的有效性，证明所提指标全面有效地反映轴承退化过程。将所提熵指标结合传统时域指标作为lstm循环神经网络的输入，利用该网络对时序信号的处理能力，对轴承故障状态进行有效识别。
为了实现上述目的，本发明采用以下技术方案：
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，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(pso)进行优化；
将在线轴承振动信号进行时域特征和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。
优选地，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。
优选地，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。
优选地，所述常用的时域特征包括：绝对均值、有效值、峭度和波性因子。
优选地，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熵特征，其具体构建方式为：
其中，wet为当前时刻的波形熵，wt-i为t-i时刻的波形因子，m为计算波形熵的时间步长。
优选地，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。
优选地，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。
优选地，所述网络主要参数通过粒子群算法(pso)进行优化的过程具体为：
所述网络隐藏层数、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，
优选地，所述lstm循环神经网络的所有隐层节点均为长短时记忆单元，与传统的隐层节点相比，长短时记忆单元包括增加了用于控制网络计算量级的输入门，遗忘门和输出门，从而降低了循环网络由于循环层数增加而导致激活函数进入梯度饱和区的风险，在长短时记忆循环网络中，具体的计算过程如下：
gs＝φ(wgx*x+wgh*ht-1+bg)
is＝σ(wix*x+wih*ht-1+bi)
fs＝σ(wfx*x+wfh*ht-1+bf)
os＝σ(wox*x+woh*ht-1+bo)
其中，ht表示lstm网络隐藏层在时刻t的输出，gs、is、fs、os分别表示记忆单元内部输入节点、输入门、遗忘门和输出门的输出值，所述输出值是网络输入和网络反馈值的加权和；wgx、wix、wfx和wox分别表示输入节点、输入门、遗忘门、输出门与网络输入之间的权值；wgh、wih、wfh和woh分别表示输入节点、输入门、遗忘门、输出门与网络隐层之间的权值；bg、bi,、bf、bo表示加权求和时的网络偏置；st表示lstm单元的状态值；
优选地，所述将在线轴承振动信号进行时域特征和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的步骤具体包括：
采集在线轴承振动信号；
对采集的在线轴承振动信号进行预处理；
对预处理后的在线轴承振动信号进行时域特征和熵特征的提取；
将提取的所述时域特征和熵特征同时输入训练好的lstm循环神经网络对轴承状态进行判断，完成对故障发生时刻的识别。
相比现有技术，本发明的有益效果包括：
本发明通过构建熵特征，在保留特征物理意义的情况下，有效全面地反映轴承故障程度。熵指标的有效性经过解调分析进行验证。循环神经网络能够有效利用轴承退化历史数据，通过网络二分类的方法，避免了人工阈值选取和复杂的频谱分析方法，同时能准确识别轴承故障发生时刻。
附图说明
图1a是本发明轴承早期故障识别方法的lstm循环神经网络训练流程图。
图1b是本发明轴承早期故障识别方法的测试识别流程图。
图2a是本发明所用循环神经网络的结构图示意图。
图2b是本发明所用循环神经网络的时间连接的隐层反馈权值示意图。
图3是本发明所用循环神经网络的长短时记忆单元结构示意图。
图4a是本发明实施例的轴承1所提波形熵。
图4b是本发明实施例的轴承3所提波形熵。
图5a是实例中轴承3的轴承信号解调分析的包络谱总图。
图5b是图5a中时间500处的包络谱图。
图5c是图5a中时间550处的包络谱图。
图5d是图5a中时间600处的包络谱图。
图5e是图5a中时间704处的包络谱图。
图5f是图5a中时间745处的包络谱图。
图6a是本发明实例中轴承1选取的轴承故障发生时刻训练样本。
图6b是本发明实例中轴承2选取的轴承故障发生时刻训练样本。
图6c是本发明实例中轴承3选取的轴承故障发生时刻训练样本。
图7a本发明实例中轴承1第一次轴承故障发生时刻的识别结果。
图7b本发明实例中轴承2第一次轴承故障发生时刻的识别结果。
图7c本发明实例中轴承3第一次轴承故障发生时刻的识别结果。
图8a本发明实例中轴承1第二次轴承故障发生时刻的识别结果。
图8b本发明实例中轴承2第二次轴承故障发生时刻的识别结果。
图8c本发明实例中轴承3第二次轴承故障发生时刻的识别结果。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进行进一步详细说明。
如图1a～图1b所示，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，包括以下步骤：
s1、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；
s2、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；
s3、利用时域特征和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；
s4、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(pso)进行优化(见图1a)；
s5、将在线轴承振动信号进行时域特征和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测试识别。
本发明分为训练和测试两部分。训练过程主要分为振动信号预处理、振动特征提取、lstm网络训练三个部分。
本实施例中，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。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。所述常用的时域特征包括：绝对均值、有效值、峭度和波性因子，具体如表一所示。
表一
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熵特征，其具体构建方式为：
其中，wet为当前时刻的波形熵，wt-i为t-i时刻的波形因子，m为计算波形熵的时间步长。
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。
优选地，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。
本实施例中，下面结合图2对本发明的循环神经网络加以说明：
lstm循环神经网络具体结构如下：x1,x2,...,xm表示网络的输入，y1,y2,...,yn表示网络的输出。w(1),w(2),w(3)表示网络在相邻隐藏层之间的权值,在图中用实线表示。wt(1),wt(1),wt(1)表示时间连接的隐层反馈的权值，在图中用虚线表示。
具体而言，所述网络主要参数通过粒子群算法(pso)进行优化的过程具体为：
所述网络隐藏层数、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，
如图3所示，所述lstm循环神经网络的所有隐层节点均为长短时记忆单元，与传统的隐层节点相比，长短时记忆单元包括增加了用于控制网络计算量级的输入门，遗忘门和输出门，从而降低了循环网络由于循环层数增加而导致激活函数进入梯度饱和区的风险，在长短时记忆循环网络中，具体的计算过程如下：
gs＝φ(wgx*x+wgh*ht-1+bg)
is＝σ(wix*x+wih*ht-1+bi)
fs＝σ(wfx*x+wfh*ht-1+bf)
os＝σ(wox*x+woh*ht-1+bo)
其中，ht表示lstm网络隐藏层在时刻t的输出，gs、is、fs、os分别表示记忆单元内部输入节点、输入门、遗忘门和输出门的输出值，所述输出值是网络输入和网络反馈值的加权和；wgx、wix、wfx和wox分别表示输入节点、输入门、遗忘门、输出门与网络输入之间的权值；wgh、wih、wfh和woh分别表示输入节点、输入门、遗忘门、输出门与网络隐层之间的权值；bg、bi,、bf、bo表示加权求和时的网络偏置；st表示lstm单元的状态值；
如图1b所示，步骤s5中，所述将在线轴承振动信号进行时域特征和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的步骤具体包括：
s51、采集在线轴承振动信号；
s52、对采集的在线轴承振动信号进行预处理；
s53、对预处理后的在线轴承振动信号进行时域特征和熵特征的提取；
s54、将提取的所述时域特征和熵特征同时输入训练好的lstm循环神经网络对轴承状态进行判断，完成对故障发生时刻的识别。
下面结合一实例对本发明做进一步说明：
本实例数据来源于辛辛那提大学轴承全寿命实验。3个故障轴承数据如表2所示。
表2轴承全寿命数据介绍
下面结合图4a和图4b对本发明的波形熵特征做简要说明：
轴承3的波形熵如图4b所示。波形熵具备良好的单调性，特别是在早期故障时波形熵能有明显的变化趋势。
下面结合图5a～图5f对本发明的轴承退化特征验证方法做简要说明：
本发明的退化特征验证采用平方解调的方法。以轴承3为例，其包络谱如图5所示。对比所提出波形熵特征，解调谱故障频率处的幅值变化趋势与波形熵的变化一致，表明波形熵能良好地反映轴承的故障状态。同时对于早期故障比较敏感，能够良好地识别早期故障，在出现明显的故障频率之前出现拐点。
本发明故障发生时刻识别的基本思路是选取正常状态和深度故障状态样本，对过渡阶段样本进行测试判断。以3个全寿命轴承退化数据为例，训练样本如图6a～图6c所示。采取了循环验证的方式对同一数据集进行故障发生时刻识别，共进行了两次故障发生时刻识别测试。第1次使用轴承2，轴承3的训练样本。第二次使用轴承1，轴承2的训练样本。
下面结合图7a～图7c、图8a～图8c对实例的轴承故障发生时刻的识别结果做简要说明：
第1次轴承故障发生时刻识别结果如图7a～图7c所示，3个故障轴承的故障起始点分别识别为1816，1573，603。第2次轴承故障发生时刻识别结果如图8a～图8c所示，3个故障轴承的早期故障发生时刻分别识别为1789，1479，619。
两次故障发生时刻识别结果接近，且对比轴承3解调分析结果，600时间点左右确实存在故障特征频率。故障幅值较小，属于早期故障。所用方法对早期故障的识别是准确有效的。
本发明采用的网络二分类的基本思路是选取正常状态和深度故障状态样本，对过渡阶段样本进行测试判断。采取了循环验证的方式对同一数据集进行故障发生时刻识别，并对比解调分析的结果，比二分类识别结果的有效性进行验证。
需要说明的是，上述实施方式只是本发明的一个实例，不是用来限制发明的实施与权利范围，根据上述说明书的揭示和阐述，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些等同修改和变更也应当在本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。