技术特征：
1.一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法，其特征在于，包括以下步骤：步骤1，获取交流电机定子电流信号：设定采样频率f
s
和采样时间t，以一定时间间隔从交流电机的数据采集系统中获取三相定子电流信号，将其作为待处理的数据；步骤2，定子电流数据样本点划分：以定子电流信号相邻波谷对应的时间为一个时间周期，截取原始定子电流信号中m个时间周期的数据点作为一个样本，将其作为交流电机轴承故障诊断模型的样本数据将其作为交流电机轴承故障诊断模型的样本数据；步骤3，创建数据集：根据步骤2对交流电机轴承故障类型对应的样本数据进行编码，制作标签，作为交流电机轴承故障诊断模型的数据集；步骤4，构建卷积神经网络：将训练数据输入卷积神经网络，其包括两层卷积层和一层池化层，通过卷积池化操作提取定子电流信号中有区分性的空间特征信息；步骤5，构建双向长短时记忆神经网络：将提取的定子电流数据空间信息输入双向长短时记忆网络，捕获定子电流数据空间特征的时序信息；步骤6，实现滚动轴承故障类型识别：将提取的定子电流数据时空信息输入到全连接层和输出层，选择合适的损失函数、学习率和训练迭代次数，对模型进行训练，得到训练好的具有交流电机轴承故障状态识别能力的诊断模型。2.根据权利要求1所述的方法，其特征在于，所述步骤1中，在满足奈奎斯特采样定理的条件下，为了包含更多的故障信息，采样频率f
s
设置为：f
s
>10f其中，f为定子电流信号基频分量。3.根据权利要求1所述的方法，其特征在于，所述步骤2中，以定子电流信号相邻波谷对应的时间为一个时间周期，截取原始定子电流信号中连续m个时间周期的数据点作为一个样本其中表示连续m个时间周期内a相、b相、c相电流数据，n
sub
为m个时间周期内单相电流数据的长度，将三相电流视为三个通道作为网络的输入，交流电机轴承故障诊断模型的输入数据样本可表示为n
seg
为输入数据样本长度。4.根据权利要求1所述的方法，其特征在于，所述步骤3的具体过程为：步骤3-1，确定标签的编码方式：采用one-hot编码；步骤3-2，将无故障交流电机对应的定子电流数据和轴承故障交流电机对应的定子电流数据按照故障类型制作标签，同时以6:2:2的数据比例将定子电流数据分为训练集、验证集和测试集，作为交流电机轴承故障诊断模型的数据集；5.根据权利要求1所述的方法，其特征在于，所述步骤4中，卷积神经网络包括两层卷积层和一层池化层，具体计算过程为：步骤4-1，第一层：卷积层，输入数据样本i
p
∈i，卷积核的数量为f
n
，长度为f
l
，步长为1，则卷积层对输入i
p
在第j个卷积核处的值可通过以下公式进行计算：
其中，h
jc
为第j个卷积核第c通道，*
t
为矩阵*的转置，为第j个卷积核第q个卷积区域值，为第j个卷积核在通道c的偏移向量，f
jc
为第j个卷积核第c通道的激活函数，q:q+f
l-1为第j个卷积核第c通道第q个卷积区域，为第j个卷积核第c通道第q个卷积区域中的元素。输入i
p
在第一层卷积层的输出特征向量数学表达式为：步骤4-2，第二层，卷积层：输入第一层输出的特征向量卷积核与第一层卷积层具有相同的数量f
n
和长度f
l
，步长为2，则第二层卷积层的输出特征向量可以简述为：步骤4-3，第三层，池化层：输入为第二层输出的特征向量采用最大池化操作，池化区域宽度为k，则池化操作产生过程如下所示：区域宽度为k，则池化操作产生过程如下所示：其中，为输入的池化层输出，具有n
p
维度。对于输入整个池化层的输出可以简化表述为：6.根据权利要求1所述的方法，其特征在于，所述步骤5中，通过双向长短时记忆神经网络，捕捉三相定子电流空间特征向量的时序信息，对于输入在t∈[1,2,
···
,n
p
]时刻，长短时记忆神经网络内部输入门、遗忘门、输出门计算方法可以简化描述为:其中，i
t
、f
t
、o
t
分别为t时刻输入门、遗忘门和输出门向量，为t时刻的输入向量，h
t
为t时刻隐藏层的输出向量，h
t-1
为t-1时刻隐藏层的输出向量，c
t
为t时刻记忆细胞状态，σ表示logistic sigmoid函数，w
zi
、w
hi
和w
ci
为输入门的权重矩阵，w
zf
、w
hf
、w
cf
为遗忘门的权重矩阵，w
zc
和w
hc
为记忆细胞的权重矩阵，w
zo
、w
ho
和w
co
为输出门的权重矩阵，b
i
、b
f
、b
c
和b
o
分别
为输入门、遗忘门、记忆细胞和输出门的偏置向量，7.根据权利要求1所述的方法，其特征在于，所述步骤5中，所述长短时记忆神经网络输出的特征向量为出的特征向量为l/2为长短时记忆神经网络的隐藏层神经元数量，为t时刻前向长短时记忆神经网络隐藏层的输出特征向量，为t时刻后向长短时记忆神经网络隐藏层的输出特征向量，双向长短时记忆神经网络在t时刻根据和进行矩阵拼接并输出，双向长短时记忆神经网络在t时刻叠加后的隐藏层输出可以表述为：可以表述为：可以表述为：其中，和为输入层-隐藏层的权重矩阵，和表示隐藏层-隐藏层的权重矩阵，和表示隐藏层-输出层的权重矩阵，和表示隐藏层偏置向量，b
y
为输出层偏置向量，h为隐藏层激活函数。对于输入双向长短时记忆网络的输出可以简述为：8.根据权利要求1所述的方法，其特征在于，所述步骤6的具体过程为：步骤6-1，展平层：将提取的定子电流数据时空特征向量进一步输入至全连接层实现“展平”操作，将所有的时空特征向量首尾连接，整合为一维向量n
z
＝l
×
f
n
，同时采用随机失活(dropout)技巧操作进行处理，降低神经元减的相互依赖性，假设神经元失活概率为p，则实现过程可以简述为：r5～bernoulli(p)
ꢀꢀꢀꢀ
(13)其中，r5是采用bernoulli函数以概率p，随机生成的0、1向量，为随机失活后的一维特征向量；步骤6-2，全连接层：输入为展平后随机失活后的一维特征向量使用relu激活函数进行处理，神经元个数为n
d
，则输出可以描述为：其中，和为全连接层的权重矩阵和偏置向量；步骤6-3，输出层：输入为上一层的输出神经元数量与轴承故障类别数目保持一
致，通过softmax函数，直接完成轴承故障类型识别其中，和为输出层的权重矩阵和偏置向量；步骤6-4，设置学习率lr，迭代次数变量为num，损失函数为交叉熵损失函数，对网络模型进行训练，当损失函数小于0.01或者等于迭代次数时，保存此时的模型参数，得到训练好的具有交流电机轴承故障状态识别能力的诊断模型。
技术总结
本发明公开了一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法。该方法充分利用卷积神经网络的参数共享、局部感知和降采样等优点，有效的从原始电流数据中提取到相应地空间特征，避免了复杂的特征提取过程。然后将提取的电流数据空间特征输入双向长短时记忆网络，捕获电流数据空间特征的时序信息，进一步提高滚动轴承故障诊断准确率。本发明利用电机驱动过程获取定子电流作为故障信号，具有非侵入式且易于形成闭环“驱动—诊断”的融合系统，可有效降低监控成本；所提轴承故障诊断方法结合卷积神经网络和双向长短时记忆神经网络特性，在特征提取的深度和复杂程度上都具有良好的性能，能够实现故障特征的精准有效提取。征的精准有效提取。征的精准有效提取。
技术研发人员：宋向金 赵文祥 钟晓勇 王照伟 丁思颖
受保护的技术使用者：江苏大学
技术研发日：2021.11.29
技术公布日：2022/3/18