买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：一种基于并行LSTM‑CNN和BiGRU的轴承故障检测方法，涉及一种轴承故障检测方法，该方法包括以下步骤：步骤一：采集振动数据，对原始数据集进行预处理；步骤二：构建模型，用长短时记忆网络和卷积神经网络；步骤三：引入注意力机制调整不同通道提取的特征权重；步骤四：利用双向门控循环单元进一步提取更深层次的特征；步骤五：设计全局平均池化层、全连接层和SoftMax层，实现对故障的精准分类；步骤六：将训练集输入到模型中进行训练；步骤七：将测试集输入到训练完成的模型中，进行故障识别，并计算故障识别的损失率和准确率，输出结果。该方法可以准确的进行轴承过程故障检测，为提高滚动轴承故障检测的准确性和可靠性提供了有力支持。

主权项：1.一种基于并行LSTM-CNN和BiGRU的轴承故障检测方法，其特征在于，所述方法包括以下步骤：步骤一：采集工业过程中不同工况下的轴承样本数据集，将数据集分为训练集和测试集；然后，利用LSTM和CNN同时对原始数据进行特征提取，LSTM处理流程如公式1-6所示：在t时刻，Xt、ht一同输入神经元，遗忘门负责计算并确定来自上一个时刻需要被遗忘的细胞信息，遗忘门的计算公式为：ft＝σWfht-1+WfXt+bf1式中，Wf为遗忘门的权重矩阵，bf为遗忘门偏置向量，σ为Sigmoid激活函数；输入门确定需要保留的信息和创建新的细胞状态，首先，它确定需要更新的信息，然后利用这些信息创建新的细胞状态，输入门计算公式如下所示：it＝σWiht-1+WiXt+bi2 式中，Wi为输入门权重向量，bi为输入门偏置向量，tanh为双曲正切激活函数；对公式2与公式3的结果进行线性处理可以得到这一时刻神经元的状态，如公式4所示： 最后，输出门确定神经元最终输出的信息，输出结果计算公式如下所示：Ot＝σWoht-1+WoXt+bo5ht＝Ot*tanhCt6式中，Wo为输出门权重向量，bo为输出门偏置向量；CNN处理流程如公式7-10所示： 式中，为第l层输出向量的第j个元素；为第l层输入向量的第i+j个元素；为第l层第j个元素的偏置项；wj为卷积核的第j个权重；σ·为Relu激活函数；Relu函数因其收敛速度快、能够避免梯度消失等优点，被广泛应用于神经网络模型中，其计算公式为： 池化层是卷积神经网络中不可或缺的一部分，具有最大池化和平均池化两种方式，它是处理卷积之后的数据维度过高和过拟合的问题，其计算公式为： 式中，li,n表示第l层i通道中第n个神经元的激活值，H表示滑动窗口大小，vli,n表示当前第l层i通道中第j个神经元池化后的结果；步骤二：将LSTM和CNN提取的数据输入到注意力层；因为LSTM和CNN提取的数据特征比较冗余，所以模型设计注意力层，对关键特征进行筛选；首先，对每个通道上的特征进行全局最大池化，得到每个通道上的最大特征向量zc，运算公式如11所示： 式中，L是长度，C是通道数；将每个通道上的最大特征向量zc分别通过两个一维卷积层、ReLU激活函数层和Sigmoid激活函数，得到最终的权重向量s，运算公式如12-15所示：sc＝Conv1d1zc12sc＝ReLUsc13sc＝Conv1d2sc14sc＝σsc15式中，σ为Sigmoid激活函数；最后，使用生成的通道权重向量s对原始特征图X的每个通道进行重新调整，增强重要通道特征，抑制不重要的通道特征，运算公式如16所示： 式中，sc是通道权重s中第c个通道的值，Xi,c是输入特征图X在位置i和通道c的值；步骤三：将经过注意力层处理的数据输入到BiGRU神经网络；为了进一步提高模型故障检测的准确度，更深层次的挖掘数据特征，将经过注意力层加权的数据特征输入到BiGRU层中，用来提取更高层次的特征；BiGRU在每个时间步同时考虑过去和未来的信息，有助于模型更全面地理解和建模时序数据，从而更好地适应不同序列模式，提高模型的故障检测率；BiGRU处理流程如公式17-19所示： 式中，h1t和h2t分别为前向传播和后向传播的隐藏状态，h1t-1和h2t+1分别为相对于某时刻的前一个时刻和后一个时刻的隐藏状态，xt和Ht分别为t时刻的输入和输出，σ·为Sigmoid激活函数，U和W为权重矩阵，箭头表示传播方向；步骤四：考虑到BiGRU往往把最后一个隐藏神经元细胞的输出传递给后面的神经网络，而忽略了其他GRU细胞的信息，所以模型设计了全局平均池化，可以综合考虑各个GRU的特征输出，同时也减少了模型训练压力，提高了检测效率；对于一维数据，假设输入特征图X的维度是L×C，其中L是长度，C是通道数；一维数据的全局平均池化公式如下： 步骤五：在通过全局池化之后，数据特征会被传送到全连接层，完成数据的分类，再经过Softmax层，将最终结果转化为概率的估计值，提高分类结果的准确性；Softmax层进行故障分类,得到的结果为一个0到1之间的数,最终与提前设置好的故障值对比,比重较大的即可认定为该类型的故障,从而完成故障诊断,Softmax公式如下： 式中,k为具体某个分类,n为分类个数,v为分类的值；步骤六：在预测值和实际标签之间计算交叉熵损失函数，不断更新模型网络参数，保存性能最好的模型用于后续测试；交叉熵损失函数的公式如下： 式中，y表示样本的真实标签，表示模型预测的标签；当y＝1时，表示样本属于正类；当y＝0时，表示样本属于负类；步骤七：故障检测阶段，过程如下：1采集振动数据，对原始数据集进行预处理，并将数据集划分为训练集和测试集；2构建网络模型，设定模型的超参数，如网络层数、通道数、批次大小、迭代次数；3将训练集输入到模型中进行训练，计算模型的目标损失函数，并利用梯度下降法更新网络权重；4当模型训练次数达到迭代次数，并满足性能要求时，保存模型网络参数，否则重新设置参数进行训练；5将测试集输入到训练完成的模型中，进行故障识别；6计算故障识别的损失率和准确率，并且输出结果。

全文数据：

权利要求：

百度查询： 沈阳化工大学 一种基于并行LSTM-CNN和BiGRU的轴承故障检测方法