本发明涉及滚动轴承故障诊断，具体而言，尤其涉及一种基于cnn-lstm的声发射轴承状态检测方法及装置。
背景技术：
1、滚动轴承在运行时出现不同部位的裂纹和故障，直接影响到机器的性能、效率和寿命，所以实现对滚动轴承故障的精确诊断具有重要意义。
2、深度学习可以学习轴承故障信号中最本质的特征，从而完成对故障信号的检测。目前常用的故障诊断方法是采用加速度传感器采集轴承声发射信号，并将提取的声发射信号作为原始数据进行特征提取，挖掘多维数据之间的关联关系。但是由于滚动轴承性能退化是一个持续变化的过程，现有特征提取方法对早期故障信号接收的敏感度较低，导致特征提取不够充分。
技术实现思路
1、本发明提供一种基于cnn-lstm的声发射轴承状态检测方法及装置。本发明主要利用卷积神经网络(cnn)和长短时记忆网络(lstm)结合的网络，对声发射信号原始数据进行充分的特征提取，实现4种类型故障的精准分类和检测。
2、本发明采用的技术手段如下：
3、一种基于cnn-lstm的声发射轴承状态检测方法，包括：
4、基于声发射传感器采集训练用声发射信号数据，对所述训练用声发射信号进行预处理，从而生成声发射信号数据集；采用归一法与交叉重叠法对数据进行预处理；
5、将预处理后的的声发射信号数据集作为训练数据集输入轴承故障诊断模型，所述轴承故障诊断模型用于对声发射信号数据进行分类，并输出与所述声发射信号数据对应的状态名称；所述状态名称包括正常、外圈故障、滚动体故障以及外圈和滚动体混合故障；
6、基于声发射传感器采集待检测声发射信号数据，并度所述待检测声发射信号数据进行预处理；将预处理后的待检测声发射信号数据输入训练好的轴承故障诊断模型，获取所述轴承故障诊断模型输出的轴承状态名称。
7、进一步地，所述轴承故障诊断模型包括依次设置的输入层、卷基层、长短时记忆网络层、全连接层以及分类器；
8、所述卷基层包括第一卷积神经网络、第二卷积神经网络以及第三卷积神经网络
9、所述第一卷积神经网络包括16个大小为16×1的卷积核，步长为7，
10、所述第二卷积神经网络包括32个大小为7×1的卷积核，步长为4，
11、所述第三卷积神经网络包括64个大小为3×1的卷积核，步长为2；
12、所述长短时记忆网络层包括一层lstm网络，首先lstm通过遗忘门来决定从细胞状态中丢弃什么信息，然后lstm通过输入门来决定更新多少信息到神经元细胞中，最后lstm使用输出门来决定最终输出什么信息。
13、进一步地，所述长短时记忆网络层的输入特征维数为17，隐藏层的维度为16。
14、进一步地，所述长短时记忆网络层输出的特征图与所述全连接层的隐含层相连。
15、本发明还公开了一种基于cnn-lstm的声发射轴承状态检测装置，包括：
16、训练用数据获取单元，用于基于声发射传感器采集训练用声发射信号数据，对所述训练用声发射信号进行预处理，从而生成声发射信号数据集；
17、模型训练单元，用于通过交叉重叠方法对所述声发射信号数据集进行数据扩充，并将扩充后的声发射信号数据集作为训练数据集输入轴承故障诊断模型，所述轴承故障诊断模型用于对声发射信号数据进行分类，并输出与所述声发射信号数据对应的状态名称；所述状态名称包括正常、外圈故障、滚动体故障以及外圈和滚动体混合故障；
18、状态监测单元，用于基于声发射传感器采集待检测声发射信号数据，并度所述待检测声发射信号数据进行预处理；将预处理后的待检测声发射信号数据输入训练好的轴承故障诊断模型，获取所述轴承故障诊断模型输出的轴承状态名称。
19、进一步地，所述轴承故障诊断模型包括依次设置的输入层、卷基层、长短时记忆网络层、全连接层以及分类器；
20、所述卷基层包括第一卷积神经网络、第二卷积神经网络以及第三卷积神经网络，
21、所述第一卷积神经网络包括16个大小为16×1的卷积核，步长为7，
22、所述第二卷积神经网络包括32个大小为7×1的卷积核，步长为4，
23、所述第三卷积神经网络包括64个大小为3×1的卷积核，步长为2；
24、所述长短时记忆网络层包括一层lstm网络，首先lstm通过遗忘门来决定从细胞状态中丢弃什么信息，然后lstm通过输入门来决定更新多少信息到神经元细胞中，最后lstm使用输出门来决定最终输出什么信息。
25、进一步地，所述长短时记忆网络层的输入特征维数为17，隐藏层的维度为16。
26、进一步地，所述长短时记忆网络层输出的特征图与所述全连接层的隐含层相连。
27、较现有技术相比，本发明具有以下优点：
28、声发射被定义为由材料内部或表面变形引起或损坏引起的应变能的快速释放产生的瞬时弹性波。在旋转机械监测的应用中，声发射定义为两个介质在相对运动中相互作用产生的瞬态弹性波。旋转机械中声发射的来源包括冲击，循环乏力，摩擦，湍流，材料损失，气蚀，泄漏等。这些发射以瑞利波的形式在材料表面上传播，并且这些波的位移是通过声发射传感器测量的。其中瑞利波是纵波和横波的组合。基于以上特性，声发射传感器灵敏性较高，对早期故障识别更具优势。
29、本发明采用声发射信号提高轴承在早期故障识别中的检测性能。同时在cnn网络提取原始数据特征后，采用lstm模型提取信号的时序特征，检测到复杂工况下轴承破损特征，在一定程度优化轴承故障诊断的模型。最后，将单一故障与混合故障放入训练集中训练，并取得较好的分类效果，验证该模型具有较好的准确度和泛化能力，在实际生产生活具有重要意义。
1.一种基于cnn-lstm的声发射轴承状态检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于cnn-lstm的声发射轴承状态检测方法，其特征在于，所述轴承故障诊断模型包括依次设置的输入层、卷基层、长短时记忆网络层、全连接层以及分类器；
3.根据权利要求2所述的一种基于cnn-lstm的声发射轴承状态检测方法，其特征在于，所述长短时记忆网络层的输入特征维数为17，隐藏层的维度为16。
4.根据权利要求2所述的一种基于cnn-lstm的声发射轴承状态检测方法，其特征在于，所述长短时记忆网络层输出的特征图与所述全连接层的隐含层相连。
5.一种基于cnn-lstm的声发射轴承状态检测装置，其特征在于，包括：
6.根据权利要求5所述的一种基于cnn-lstm的声发射轴承状态检测装置，其特征在于，所述轴承故障诊断模型包括依次设置的输入层、卷基层、长短时记忆网络层、全连接层以及分类器；
7.根据权利要求6所述的一种基于cnn-lstm的声发射轴承状态检测装置，其特征在于，所述长短时记忆网络层的输入特征维数为17，隐藏层的维度为16。
8.根据权利要求6所述的一种基于cnn-lstm的声发射轴承状态检测装置，其特征在于，所述长短时记忆网络层输出的特征图与所述全连接层的隐含层相连。