一种基于CNN-BiGRU-AM模型的滚动轴承故障诊断方法

本发明涉及轴承故障诊断领域，具体为一种基于cnn-bigru-am模型的滚动轴承故障诊断方法。

背景技术：

1、滚动轴承作为旋转机械设备中最为核心的部件之一，在工业领域各个行业中均有被广泛的应用，如汽车机车、煤炭石油、工业制造、航空航天等。因此，滚动轴承的健康状态将直接影响机械设备能否安全且高效的运转。由于机械设备的应用环境往往是较为恶劣的，如潮湿、高负载、高温、高速等，若在滚动轴承故障前期未及时发现，则有可能逐步发展为严重故障，导致设备停机停产，严重时甚至可能出现人员伤亡的安全事故。考虑到目前对于滚动轴承的诊断方式往往采用人工巡检，提升滚动轴承诊断效率、准确度的同时还要考虑到轴承运行环境复杂等因素，如何提高轴承诊断的泛化能力都对于目前轴承智能诊断技术的发展有着关键作用。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种基于cnn-bigru-am模型的滚动轴承故障诊断方法。提高了在有限样本条件下对轴承故障的识别率，增强了在噪声条件下的普适性。为了实现上述目的，本发明采用的技术方案是：一种基于cnn-bigru-am模型的滚动轴承故障诊断方法，具体步骤为：

2、步骤一、通过外吸附振动传感器分别采集内圈、外圈、滚动体、正常四种状态滚动轴承振动信号；

3、步骤二、将采集的振动信号利用连续小波变换转换为二维时频特征图并按7：3将其划分为训练集和测试集；

4、步骤三、构建cnn-bigru-am 诊断模型并将模型参数初始化；

5、步骤四、学习训练集故障数据，保留最佳参数，将测试集样本输入训练好的诊断模型中，完成故障诊断。

6、进一步，所述步骤一具体过程为：

7、ⅰ、将振动传感器吸在轴承架外侧 x轴和y轴两侧；

8、ⅱ、利用ni9234数据采集卡将振动数据传输至电脑labview程序中输出到excel中存储。

9、进一步，所述步骤二具体过程为：

10、步骤a、利用小波变换针对不同的频率可以选择不同的时窗，针对高频信号选择较窄时窗，反之低频信号选择较宽时窗；

11、 （1）

12、 （2）

13、式中a为伸缩尺度，，τ 为平移因子，f(t)为小波母函数；

14、步骤b、将轴承内圈、外圈、滚动体、正常各采集500样本按照7：3划分训练集、测试集。

15、进一步，所述步骤三具体过程为：

16、①.cnn卷积层的核心为卷积核，原理同滤波器相同。通过设定许多的卷积核，以滑动的形式对数据进行计算，挖掘数据深层特征；

17、 （3）

18、式中： x i l - 1 ---  l层神经元输入；

19、 w i l j --- 卷积核的权重；

20、 x j l ---  l层输出；

21、 b l j --- 偏置项；

22、 l --- 网络层数;

23、 f --- 激活函数；

24、池化层的主要作用是降低特征参数的维度；

25、 （4）

26、②.bigru结构输出由正向网络结构和反向网络结构组成，采用矩阵拼接的形式将2种不同时序方向的gru输出整合为最终的输出，其正向输出和反向输出通过直接相加的方式作为模型隐藏状态输出 h；

27、 （5）

28、③、注意力机制(attention mechanism，am)会计算不同特征的权重。每一个时序特征都提供了不同的信息，注意力层可以给bigru提取的每个时态特征赋予适当的权值，并将特征融合到最终的时序特征f中；

29、 （6）

30、 （7）

31、④、最后将cnn层、bigru层、am层有机融合为cnn-bigru-am诊断模型。

32、进一步，所述步骤四具体过程为：

33、（一）、通过训练数据集对模型反复进行前向传播与反向传播的迭代计算，更新模型参数；

34、（二）、达要求则获取模型参数，保持最佳模型，将己经训练好的模型对测试集数据进行分类，得到最终的滚动轴承故障诊断的分类结果。

技术特征：

1.一种基于cnn-bigru-am模型的滚动轴承故障诊断方法，具体步骤为：

2.根据权利要求1所述基于cnn-bigru-am模型的滚动轴承故障诊断方法其特征在于，所述步骤一具体为：

3.根据权利要求1所述基于cnn-bigru-am模型的滚动轴承故障诊断方法其特征在于，所述步骤二具体为：

4.根据权利要求1所述基于cnn-bigru-am模型的滚动轴承故障诊断方法其特征在于，所述步骤三具体为：

5.根据权利要求1所述基于cnn-bigru-am模型的滚动轴承故障诊断方法其特征在于，所述步骤四具体为：

技术总结本发明公开了一种基于CNN‑BiGRU‑AM模型的滚动轴承故障诊断方法，首先将外吸附式振动传感器吸附在滚动轴承所在位置腔壁外侧X轴、Y轴外侧，并利用NI9234数据采集卡采集故障轴承振动数据，再采用连续小波变换将故障轴承振动数据处理为二维时频图，增强故障特征提高其鲁棒性；其次构建CNN‑BiGRU‑AM诊断模型并参数初始化；最后通过训练理想数据集更新保留最佳模型参数对添加噪声和变工况故障轴承数据完成诊断；本发明所提滚动轴承故障诊断方法，提高了在有限样本条件下对轴承故障的识别率，增强了在噪声、变工况条件下的普适。技术研发人员：卢万杰,林凡豪受保护的技术使用者：辽宁工程技术大学技术研发日：技术公布日：2024/7/29