欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025112455114
申请人: 江西水利电力大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,包括以下步骤:

S1,采集包括多种故障类型在内的齿轮箱原始故障信号,每种故障类型设置一定的样本量,构成原始故障信号数据集;

提取原始故障信号的时域特征和频域特征作为关键特征,构建关键特征的特征向量;

S2,基于弹性网络优化Lasso回归,并使用优化后的Lasso回归对步骤S1构建的特征向量进行特征降维;

S3,构建基于稀疏注意力机制改进的自适应Bi-LSTM神经网络,对特征降维后的特征向量进行故障诊断,包括以下具体步骤:S301,结合稀疏注意力机制和Bi-LSTM神经网络,输入数据进入稀疏注意力模块;

给定输入序列G=[x1,x2,…,xt]∈Rt×d,式中,x为序列中的特征向量,t为序列长度,d为特征维度,将输入序列G分别通过下述三个线性变换,得到查询、键和值矩阵,即:Q=XWQ;K=XWK;V=XWV

式中,Q为查询、K为键、V为值;分别为查询、键和值的权重矩阵;DQ、DK和DV分别为查询、键和值的维度;X为特征矩阵;d为特征维度;R为实数集;

所述稀疏注意力模块通过计算查询、键和值来提取输入序列中的关键特征;

S302,通过下述公式将输入序列G划分为大小为l的局部区域,计算每个局部区域中查询和键之间的点积:式中,Qlocal和Klocal分别为局部区域内的查询矩阵和键矩阵;Alocal为局部区域内的注意力权重矩阵;softmax为归一化函数;

S303,设置稀疏连接,用于在局部区域之间传递全局信息,所述稀疏连接的注意力权重计算公式如下:式中,Qsparse和Ksparse分别为稀疏连接的查询矩阵和键矩阵;Asparse为稀疏连接的注意力权重矩阵;

S304,通过下述公式计算稀疏注意力模块的输出:

SSA(X)=AlocalVlocal+AsparseVsparse式中,Vlocal和Vsparse分别为局部区域和稀疏连接的值矩阵。

2.根据权利要求1所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,Lasso回归的目标函数由损失函数和L1正则化项构成,表达式为:式中,β为回归系数;n为数据集中样本的数量;a为样本索引;ya为单个样本的目标变量;β0为截距项;p为数据集中特征的数量;b为特征索引;βb为特征系数;xab为特征变量;λ为正则化强化参数;

步骤S2中,弹性网络在Lasso回归的基础上引入L2正则化项对Lasso回归进行优化,优化后的Lasso回归的目标函数表达式为:式中,y为整个数据集的目标变量;X为特征矩阵;α为L1正则化和L2正则化的权重比例。

3.根据权利要求2所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,通过标准化公式对特征矩阵X进行归一化处理,使关键特征中每个特征的方差为1,均值为0,所述标准化公式为:式中,xab为第a个样本的第b个特征的原始数值;μb为第b个特征的均值;σb为第b个特征的标准差。

4.根据权利要求2所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,将所述原始故障信号数据集划分为训练集和测试集,通过所述训练集对优化后的Lasso回归进行训练,通过所述测试集对对优化后的Lasso回归进行测试。

5.根据权利要求2所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,通过网格搜索算法在[0,1]范围内寻找权重比例α的最优解,通过K折交叉验证选择正则化强化参数λ的最优解。

6.根据权利要求5所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,通过所述最优解α和最优解λ,通过下述表达式求解回归系数β,选择特征系数βb≠0的特征作为重要特征:式中,为回归系数的最优估计向量;β为回归系数;n为数据集中样本的数量;y为整个数据集的目标变量;X为特征矩阵;λ为正则化强化参数;α为L1正则化和L2正则化的权重比例。

7.根据权利要求1所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,通过下述步骤对所述自适应Bi-LSTM神经网络进行设置:Ⅰ,将所述关键特征作为自适应Bi-LSTM神经网络的输入,输入层节点数为8;将所述每种故障类型作为自适应Bi-LSTM神经网络的输出,输出层节点数为5;

Ⅱ,设置自适应Bi-LSTM神经网络的隐含层数为6层,其中第一层为SSA层,第二层、第三层和第四层为LSTM层,第五层为Dropout层,第六层为全连接层;

Ⅲ,设置自适应Bi-LSTM神经网络初始学习率为0.01,批大小为400,迭代次数为500次,通过损失函数迭代调整神经网络权重,完成自适应Bi-LSTM神经网络训练。

8.根据权利要求1-7任一项所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,齿轮箱故障类型包括齿轮箱的正常状态、轴承外圈故障、轴承内圈故障、滚动体故障、齿轮故障;

每种故障类型采集200个样本,构成容量为1000个样本的原始故障信号数据集,将数据集的80%作为训练集,将数据集的20%作为测试集。

9.根据权利要求1-7任一项所述的一种基于自适应Bi-LSTM的实时故障诊断方法,其特征在于,所述时域特征包括均值、均方根值、方差、绝对平均值、峰值、峰峰值、峰值因子、峭度因子、偏度因子、波形因子、脉冲因子、裕度因子;

所述频域特征包括重心频率、平均频率、均方频率、均方根频率、频率方差、频率标准差。