本发明涉及故障诊断技术，尤其涉及一种基于gru的旋转机械故障诊断方法。
背景技术：
随着现代工业系统设备的复杂化，旋转机械故障诊断成为学术界和工业界关注的焦点。旋转机械中的滚动轴承、齿轮等关键部件在极端工况下容易发生故障，影响系统的性能，造成巨大的损失。因此，有必要开发基于旋转机械的有效故障诊断方法。
故障诊断通常包括三个步骤:振动信号采集、特征提取和故障分类，其中后两个步骤对故障诊断方法的性能更为关键。传统的基于数据驱动的故障诊断方法依赖人工提取特征，需要专家知识，直接影响最终的分类精度。而基于深度学习的故障诊断方法通过深度学习模型能够完成特征提取和故障分类过程，避免了人工提取特征。
深度学习模型中的cnn和rnn在故障诊断方面表现出了优越的性能。与cnn相比，rnn因具有记忆性而更擅长处理时间序列数据。但rnn存在长期依赖问题，为了改善这个问题，通过引入门控机制控制信息的累积速度，提出了lstm和gru。gru将lstm中的输入门合成一个更新门，合并的结果导致参数量减少，更容易收敛；并且没有单元状态，可以简化神经网络结构并提升学习效率。gru是一种比lstm简单的网络，能够充分利用时间序列数据的时间信息，学习具有代表性的特征。
技术实现要素：
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于gru的旋转机械故障诊断方法。
本发明解决其技术问题所采用的技术方案是：一种基于gru的旋转机械故障诊断方法，包括以下步骤：
1)从旋转机械系统采集并获取振动信号；对振动信号进行故障状态标记；
2)将采集的原始一维振动信号转化为二维图像，并划分为训练数据集和测试数据集；
3)将训练数据集输入到线性层中来增加图像中每一行数据的维度，提高特征容量；
4)应用门控循环单元gru处理线性层的输出，从时间序列数据中学习具有代表性的特征；
5)将学习到的代表性特征作为输入分类器，获得用于故障状态识别的故障诊断模型；
6)将测试数据集输入到训练完成的故障诊断模型中进行故障识别，完成故障诊断过程。
按上述方案，所述步骤1)中故障状态包括正常状态和预设的故障类型对应的故障状态。
按上述方案，所述步骤2)中将采集的原始一维振动信号转化为二维图像，具体如下：
2.1)从原始振动信号中随机抽取长度为n2的振动信号样本；
2.2)将长度为n的连续线段信号依次填充所构造图像的行；
2.3)将振动信号样本数据归一化到0～255范围；
2.4)完成由原始振动信号到n2图像像素的转换。
按上述方案，所述步骤3)中将训练数据集输入到线性层中来增加图像中每一行数据的维度，该线性层为进行线性变换的全连接层，数据维度的增加根据实验来确定。
按上述方案，所述步骤4)中，所述gru包括两个门控：重置门rt和更新门zt；当输入序列为xt时，两个门控和隐藏状态的输出如下：
rt＝σ(wrxt urht-1 br)
zt＝σ(wzxt uzht-1 bz)
ht＝zt⊙ht-1 (1-zt)⊙tanh(whxt uh(rt⊙ht-1) bh)
其中，wr、wz、wh分别表示重置门与输入之间的权重矩阵、更新门与输入之间的权重矩阵、当前时刻隐藏状态与输入之间的权重矩阵，ur、uz、uh分别表示重置门与上一隐藏层之间的权重矩阵、更新门与上一隐藏层之间的权重矩阵、当前时刻隐藏状态与上一隐藏层之间的权重矩阵，ht-1为前一时刻隐藏状态，σ为logistic函数。
按上述方案，所述gru使用单向结构，gru中加入残差连接，步长t设为n。
按上述方案，所述步骤5)中采用多层感知器作为分类器，所述多层感知器包含两个隐藏层和一个输出层，每个隐藏层的神经元数量根据步骤3)中每一行数据的维度设置，输出层的神经元数量根据步骤1)中的故障状态标记的数量设置，并使用relu函数作为激活函数。
按上述方案，所述步骤5)中在多层感知器的每个隐藏层加入批量归一化和丢弃法，丢弃率设为0.5。
按上述方案，所述步骤5)中在训练分类器的过程中，采用学习率衰减策略，参数设置如下：训练次数设为35，在前25个训练阶段使用初始经验学习率，设为0.0002，然后，学习率以0.1的衰减率下降；批量大小为24；选择rmsprop算法为优化器；选择交叉熵损失函数为目标函数，具体定义如下：
其中，m为样本数量，θ为模型的训练参数，x(i)和y(i)为第i个样本及其对应的标签，h(·)表示所提出的分类器模型。
本发明产生的有益效果是：
1、相比于传统的基于数据驱动的故障诊断方法，本发明不需要人工提取特征，也不依赖专家知识。
2、本发明通过线性层增加输入数据的维度，提高特征容量，使gru学习到更多的潜在特征。
3、本发明将残差连接和学习率衰减策略应用于模型，能有效提高训练过程的稳定性和预测精度。
4、本发明通过线性层、gru、多层感知器的组合，抗噪声能力强，能够减少极端工作条件对故障诊断的影响，提高旋转机械的故障分类精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程示意图；
图2是本发明实施例的模型结构示意图；
图3是本发明实施例中将原始一维振动信号转化为二维图像的示意图；
图4是本发明实施例中测试结果的混淆矩阵。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种基于gru的旋转机械故障诊断方法，其流程图如图2所示；
以下结合图1，以某电机轴承故障数据集为例对所提出的基于gru的旋转机械故障诊断方法进行验证。
步骤1：从旋转机械系统获取振动信号；
在0hp、1hp、2hp、3hp四种负载条件下，转速分别为1797r/min、1772r/min、1750r/min、1730r/min，以12khz采样频率采集驱动端振动信号。选取的数据集中，包含三种轴承故障类型，包括滚动体故障(bf)、内圈故障(if)、外圈故障(of)，每一种故障类型又包含三种故障直径，包括0.18mm、0.36mm、0.54mm，因此，该数据集中共有包括正常状态(no)在内的十种状态。
步骤2：将原始一维振动信号转化为二维图像，并划分为训练数据集和测试数据集；
将原始一维振动信号转化为二维图像的示意图如图3所示，具体步骤如下：
步骤2.1：从原始信号中随机抽取长度为4096的振动信号样本；
步骤2.2：将长度为64的连续线段信号依次填充所构造图像的行；
步骤2.2：将振动信号样本数据归一化到0-255范围，具体如下：
设s(i,j)表示第i个信号段的第j个值，所构造图像的图像像素点p(i,j)当以如下：
步骤2.4：完成64*64像素的图像转换。
每个故障类型在四种负载条件下生成960张图像，所以数据集共有9600张图像。其中，选取8000张图像作为训练数据集，剩余1600张图像作为测试数据集。数据集的详情如表1所示。
表1数据集详情
步骤3：将训练数据集输入到线性层中；
通过将训练数据集输入到线性层中来增加图像中每一行数据的维度，即处理长度为64的振动信号段，将输入维度从64提升到1024。
在线性层加入批量归一化和丢弃法，将丢弃率设为0.5。
步骤4：应用gru处理线性层的输出，从时间序列数据中学习高级特征；
gru使用单向结构，步长t设为64，隐藏层大小设为1024，隐藏层层数设为1。
在gru中加入残差连接，学习具有代表性的特征，提高训练过程稳定性和预测精度。
步骤5：将学习到的代表性特征送入分类模块，实现故障识别；
将学习到的代表性特征送入分类器，采用多层感知器对故障进行识别分类，训练故障诊断模型。
采用的多层感知器包含两个隐藏层和一个输出层，每个隐藏层有1024个神经元，输出层有10个神经元，并使用relu函数作为激活函数。
在多层感知器的每个隐藏层加入批量归一化和丢弃法，将丢弃率设为0.5。
在训练故障诊断模型的过程中，采用学习率衰减策略，训练次数设为35，在前25个训练阶段使用初始经验学习率，设为0.0002，然后，学习率以0.1的衰减率下降；批量大小为24；选择rmsprop算法为优化器；选择交叉熵损失函数为目标函数，具体定义如下：
其中，m为样本数量，θ为模型的训练参数，x(i)和y(i)为第i个样本及其对应的标签，h(·)表示所提出的模型。
步骤6：将测试数据集输入到训练完成的故障诊断系统中进行故障识别，完成故障诊断过程。
共进行10次实验，以平均值作为最终识别分类结果。
测试结果的混淆矩阵如图4所示，横轴代表预测标签，纵轴代表实际标签，混淆矩阵中的数字表示某种实际标签被诊断为某种标签的百分比概率。从混淆矩阵可以看出，对rf21的识别准确率为99.4％，有0.6％的概率将rf21误判为of21，其余状态的识别准确率均为100％，该故障诊断系统可以准确识别出轴承的10种状态。
综上所述，本发明一种基于gru的旋转机械故障诊断方法的有效性得到验证。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
1.一种基于gru的旋转机械故障诊断方法，其特征在于，包括以下步骤：
1)从旋转机械系统采集并获取振动信号；对振动信号进行故障状态标记；
2)将采集的原始一维振动信号转化为二维图像，并划分为训练数据集和测试数据集；
3)将训练数据集输入到线性层中来增加图像中每一行数据的维度，提高特征容量；
4)应用门控循环单元gru处理线性层的输出，从时间序列数据中学习具有代表性的特征；
5)将学习到的代表性特征作为输入分类器，获得用于故障状态识别的故障诊断模型；
6)将测试数据集输入到训练完成的故障诊断模型中进行故障识别，完成故障诊断过程。
2.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤1)中故障状态包括正常状态和预设的故障类型对应的故障状态。
3.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤2)中将采集的原始一维振动信号转化为二维图像，具体如下：
2.1)从原始振动信号中随机抽取长度为n2的振动信号样本；
2.2)将长度为n的连续线段信号依次填充所构造图像的行；
2.3)将振动信号样本数据归一化到0～255范围；
2.4)完成由原始振动信号到n2图像像素的转换。
4.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤3)中将训练数据集输入到线性层中来增加图像中每一行数据的维度，所述线性层为进行线性变换的全连接层。
5.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤4)中，所述gru包括两个门控：重置门rt和更新门zt；当输入序列为xt时，两个门控和隐藏状态的输出如下：
rt＝σ(wrxt urht-1 br)
zt＝σ(wzxt uzht-1 bz)
ht＝zt⊙ht-1 (1-zt)⊙tanh(whxt uh(rt⊙ht-1) bh)
其中，wr、wz、wh分别表示重置门与输入之间的权重矩阵、更新门与输入之间的权重矩阵、当前时刻隐藏状态与输入之间的权重矩阵，ur、uz、uh分别表示重置门与上一隐藏层之间的权重矩阵、更新门与上一隐藏层之间的权重矩阵、当前时刻隐藏状态与上一隐藏层之间的权重矩阵，ht-1为前一时刻隐藏状态，σ为logistic函数。
6.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述gru使用单向结构，gru中加入残差连接，步长t设为n。
7.根据权利要求1所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤5)中采用多层感知器作为分类器，所述多层感知器包含两个隐藏层和一个输出层，每个隐藏层的神经元数量根据步骤3)中每一行数据的维度设置，输出层的神经元数量根据步骤1)中的故障状态标记的数量设置，并使用relu函数作为激活函数。
8.根据权利要求7所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤5)中在多层感知器的每个隐藏层加入批量归一化和丢弃法，丢弃率设为0.5。
9.根据权利要求7所述的基于gru的旋转机械故障诊断方法，其特征在于，所述步骤5)中在训练分类器的过程中，采用学习率衰减策略，参数设置如下：训练次数设为35，在前25个训练阶段使用初始经验学习率，设为0.0002，然后，学习率以0.1的衰减率下降；批量大小为24；选择rmsprop算法为优化器；选择交叉熵损失函数为目标函数，具体定义如下：
其中，m为样本数量，θ为模型的训练参数，x(i)和y(i)为第i个样本及其对应的标签，h(·)表示所提出的分类器模型。
技术总结