[发明专利]基于卷积循环神经网络的轴承故障诊断模型的构建方法

权利要求书

1.基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，包括以下步骤：

步骤一：预置轴承的A个故障类型；

步骤二：原始信号采集与分帧处理：将发电机安装在试验台上，转子短接，发电机空载运行；使发电机分别在步骤一中的A个故障类型下运行，并在每个轴承故障类型时分别采集发电机传动端轴承的转速为n₁、n₂、n₃、……、n_m下的T时间范围内连续的Z轴方向加速度信号，得到A×m个原始信号，将每个原始信号分割成B份，每份的时间间隔t为T/B，并对每份添加故障类型标签，使每个原始信号形成由B个带故障标签时间序列数据构成的原始信号数据集；信号采样频率为Fs，每个带故障标签时间序列数据包含N个采样点，N＝T/B×Fs；

每个原始信号数据集的每个带故障标签时间序列数据中的N个采样点，经过离散傅立叶变换的快速算法，得到N个采样点的离散傅立叶变换的快速算法结果，使每个带故障标签时间序列数据的每个采样点的时域值，对应一个频域值，将每个时域值和对应的频域值合并，从而使每个带故障标签时间序列数据从时域一维（1×N）变为时域频域二维（2×N）；

从每个原始信号数据集中随机抽出B×a%个数据，共计得到A×m×B×a%个数据作为训练样本，其余的A×m×B×（1－a%）个数据作为验证样本；

步骤三：建立深度学习网络：使用步骤二中得到的A×m×B×a%个训练样本训练卷积循环神经网络模型，卷积循环神经网络模型训练过程是以训练样本的部分转速数据作为训练集，训练样本的剩余转速数据作为验证集对网络的识别准确率和泛化能力进行验证，所述卷积循环神经网络模型由卷积神经网络和长短时间记忆网络融合而成，指定卷积循环神经网络模型的训练参数，最终卷积循环神经网络模型输出故障的类别；

步骤四：验证卷积循环神经网络模型的分类结果：将步骤二中A×m×B×（1－a%）个验证样本导入步骤三中的卷积循环神经网络模型中，得到全部故障类型的分类结果，并得到分类结果的总体准确率；若分类总体准确率不满足指标要求，则返回步骤三中，对卷积神经网络和长短时间记忆网络的深度或层数进行调整，并对训练参数进行修改，直至分类总体准确率满足指标要求，保存此时刻卷积循环神经网络模型。

2.根据权利要求1所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型依次包括序列输入层、序列折叠层、卷积网络层、序列展开层、扁平层、长短时记忆层和分类输出层。

3.根据权利要求2所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的长短时记忆层和分类输出层之间还包括丢弃层。

4.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，丢弃层的丢弃概率为0.5。

5.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的卷积网络层依次包括卷积层、批归一化层、ReLU激活层、最大值池化层、卷积层、批归一化层、ReLU激活层和最大值池化层。

6.根据权利要求5所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，卷积网络层中两个卷积层的卷积核大小均为[1×8]，卷积网络层中两个最大值池化层的池化核大小均为[1×2]。

7.根据权利要求3所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，步骤三中卷积循环神经网络模型中的分类输出层依次包括全连接层、分类函数层和分类层。

8.根据权利要求7所述的基于卷积循环神经网络的轴承故障诊断模型的构建方法，其特征在于，通过全连接层、分类函数层和分类层将网络的输出定义为步骤一中的A个故障类型。