【技術實現步驟摘要】
本專利技術涉及機械故障診斷，特別是涉及一種基于dae-bilstm的自動扶梯主驅動軸軸承故障診斷方法。
技術介紹
1、主驅動軸是自動扶梯最重要的受力部件，其作用是接收來自驅動主機的動力，驅動梯級和扶手帶運動，在工作中承受著較大的轉矩和扭轉力。軸承座安裝在主軸的兩端，承受著主軸的載荷，在長期的高負載運行壓力下，軸承與其他零部件相比更容易受到損傷。通常情況下選用的軸承壽命至少要大于自動扶梯的大修周期，但是由于內外部各種因素的影響往往達不到設計的使用壽命，因此有必要對軸承的運行狀態進行故障診斷并預警。主驅動軸的結構比驅動主機簡單，在采集振動信號時加速度傳感器直接安裝在軸承座上，較短的傳輸路徑使信號受到外界的干擾較少，而且主驅動軸的故障類型不多。
2、當前，深度學習方法已被廣泛應用于機械零部件診斷中，但傳統方法難以保證數據特征的準確性。隨著深度學習的不斷進步與發展，dae深度自編碼器通過無監督學習來提取振動信號的非線性特征，能夠有效進行特征的維度重構，保留有用的故障特征信息；而bilstm雙向長短時記憶神經網絡則可以利用前向和后向的時間序列信息，增強對振動信號中潛在故障特征的學習和記憶，從而提高故障診斷的準確性和魯棒性。因此，將dae與bilstm結合能夠更加全面地提取振動信號特征，有效實現主驅動軸軸承的故障診斷和預警。
技術實現思路
1、本專利技術的目的在于克服現有技術的不足，提出了一種基于dae-bilstm的自動扶梯主驅動軸軸承故障診斷方法，所述技術方案的步驟如下：>
2、步驟1、采集自動扶梯主驅動軸軸承的振動信號作為初始數據集，對其進行歸一化處理然后劃分數據集得到訓練集、驗證集和測試集；
3、步驟2、構建dae深度自編碼器網絡模型，確定隱藏層編碼維度；
4、步驟3、將訓練集輸入dae模型通過dae網絡編碼器與dae網絡解碼器進行訓練，通過比較重構誤差曲線的變化情況來驗證dae模型訓練的效果，訓練完畢后保留dae網絡編碼器，對訓練集進行維度重構；
5、步驟4、構建bilstm雙向長短時記憶神經網絡模型，設置該模型的各項參數，包括訓練樣本數、批處理大小和隱藏層神經元個數；
6、步驟5、將dae網絡編碼器的重構數據輸入bilstm模型中進行訓練，采用網格搜索方式來獲取bilstm模型的最佳參數；
7、步驟6、訓練完畢后用測試集評估故障診斷效果，最終得到自動扶梯主驅動軸軸承故障診斷模型。
8、進一步的，步驟1具體包括如下分步驟：
9、步驟1-1、利用振動傳感器采集自動扶梯主驅動軸軸承的振動信號，作為初始數據集。
10、步驟1-2、對初始數據集進行歸一化處理，假設xi為初始數據集中的第i個值，則歸一化公式可表示如下：
11、
12、式中，xnorm為對初始數據集進行歸一化處理的結果，xmin為初始數據集中的最小值，xmax為初始數據集中的最大值。
13、步驟1-3、將歸一化后的數據集劃分為訓練集、驗證集和測試集三部分。訓練集用于dae模型擬合，在訓練過程中對訓練誤差進行梯度下降，調整dae模型的權重和偏置向量；驗證集用于調整bilstm模型的超參數，防止出現過擬合現象；測試集用于評估故障診斷效果。
14、進一步的，步驟3具體包括如下分步驟：
15、步驟3-1、將訓練集輸入至dae模型中，設置該模型的訓練次數、隱藏層單元個數，初始化權重和偏置向量；
16、步驟3-2、進行前向傳播得到輸出值；
17、步驟3-3、通過誤差反向傳播更新dae模型的權重和偏置向量；
18、步驟3-4、在訓練好dae模型之后，保留dae網絡編碼器，對訓練集進行維度重構。
19、進一步的，步驟5具體包括如下分步驟：
20、步驟5-1、將dae模型的隱藏層輸入到bilstm網絡，對dae網絡編碼器的重構數據進行正向和反向學習，分別利用前向和后向長短時記憶神經網絡提取過去和將來的隱含信息，學習不同故障振動信號的規律，最后計算得到前向和后向輸出值，將二者相加作為bilstm模型隱藏層的輸出。
21、步驟5-2、連接softmax層，這是一個用于分類任務的輸出層。softmax函數將輸出的實數值轉換為概率分布，使得所有輸出的概率和為1。根據上一步隱藏層的輸出得到預測概率分布，對故障振動信號樣本進行分類。
22、步驟5-3、計算bilstm模型的實際輸出與理論輸出的交叉熵損失函數，根據梯度下降算法反向傳播優化權重和偏置向量。在訓練過程中使用網格搜索遍歷所有可能的超參數組合，并在驗證集上評估每個組合的表現。每次評估后記錄驗證集的損失和準確率，最終選擇使驗證集損失最小的bilstm模型參數。
23、本專利技術提出的一種基于dae-bilstm的自動扶梯主驅動軸軸承故障診斷方法，通過振動傳感器采集主驅動軸軸承的振動信號，利用dae深度自編碼器網絡模型對振動信號進行維度重構，從中提取最具代表性的特征，然后將這些特征輸入到bilstm雙向長短時記憶神經網絡模型中進行前向和后向學習，最終通過softmax層對故障類型進行分類預測，有效解決了傳統故障診斷方法人工提取故障特征的不足，能夠能便捷、有效地實現故障診斷預警。
本文檔來自技高網...【技術保護點】
1.一種基于DAE-BiLSTM的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于DAE-BiLSTM的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，所述步驟1具體包括如下分步驟：
3.根據權利要求1所述的基于DAE-BiLSTM的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，所述步驟3具體包括如下分步驟：
4.根據權利要求1所述的基于DAE-BiLSTM的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，所述步驟5具體包括如下分步驟：
【技術特征摘要】
1.一種基于dae-bilstm的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于dae-bilstm的自動扶梯主驅動軸軸承故障診斷方法，其特征在于，所述步驟1具體包括如下分步驟：
3.根據權...
【專利技術屬性】
技術研發人員：蔣曦陽，童一飛，趙宇航，王鶴祥，張壯壯，張新東，陶杰，孫浩翔，熊維瓊，
申請(專利權)人：江蘇省特種設備安全監督檢驗研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。