本发明涉及一种轴承故障检测方法，特别是涉及一种基于并行lstm-cnn和bigru的轴承故障检测方法。
背景技术：
1、现代工业的发展促进了旋转机械设备的自动化与精密度的提高，使得监测此类设备的健康状况变得愈发困难。滚动轴承作为旋转机械的基本部件之一，应用范围极其广泛，而轴承部件的意外失效会带来严重的经济损失和安全问题。因此，在早期阶段对轴承进行有效的故障监测和诊断，对于保证复杂机械系统安全可靠运行具有重要意义。
2、传统的故障检测方法首先是对信号进行特征提取，然后再通过分类器对这些特征进行识别分类。常用的信号处理方法主要有短时傅里叶变换、小波变换、频谱分析等；常用的分类方法主要有反向传播神经网络、支持向量机等。尽管这些方法在轴承故障诊断中已取得一定成效，但由于依赖人工经验进行特征提取，因此采用传统方法进行轴承故障诊断可能面临许多挑战。
3、随着深度学习技术不断迭代更新，越来越多的学者开始将深度学习用于轴承故障诊断的研究。zhang等提出了首先借助连续小波变换将轴承振动信号由时域转化为频域，然后利用多个并行卷积神经网络对数据进行训练，该方法具有良好的鲁棒性。陈保家等结合了长短时记忆网络和cnn的网络架构，利用网格搜索算法优化模型参数，有效识别了不同类型的轴承故障。王永鼎等提出了同时使用一维卷积和二维卷积提取振动信号特征，然后将融合后的特征输入到经过粒子群优化的支持向量机中进行故障分类，改善了模型的抗噪性。孙洁娣等通过深度卷积网络对振动信号进行自适应特征提取，再引入lstm网络对数据进行时序分析，以挖掘更深层次的信息，提升了轴承故障诊断模型的可靠性。周奇才等提出了改进堆叠式循环神经网络的轴承故障诊断方法，通过对门控循环单元和循环神经网络的合理堆叠，有效防止了模型训练时的梯度消失现象。张立鹏等提出了搭建双向门控循环单元故障诊断模型对振动信号提取特征，同时采用注意力机制优化模型的准确率，相比于传统的故障检测算法，提升了准确率和抗噪能力。尽管基于深度学习的轴承故障诊断已经取得了显著的研究进展，但许多方法在特征提取方面仍显不足。虽然通过增加卷积神经网络层数可以提取更多特征，但对于小数据集来说，很多特征是冗余和无用的。这不仅在分类过程中增加了运算量，还引入了不重要的特征，干扰了分类效果，从而导致故障识别率下降。因此，对传统神经网络进行改进，提升轴承故障检测的效率和准确率具有重大意义。
技术实现思路
1、本发明的目的在于提供一种基于并行lstm-cnn和bigru的轴承故障检测方法，本发明针对工业过程中轴承数据的大规模、高维度、非线性等复杂数据特性以及故障检测问题，提出了一种基于改进lstm、cnn和bigru神经网络的轴承数据故障检测方法，实现了在数据大规模、高维度和非线性的情况下，对工业轴承数据进行特征提取，提高了传统神经网络故障检测的准确率。
2、本发明的目的是通过以下技术方案实现的：
3、一种基于并行lstm-cnn和bigru的轴承故障检测方法，所述方法包括以下步骤：
4、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；
5、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：
6、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：
7、ft＝σ(wfht-1+wfxt+bf) (1)
8、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；
9、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：
10、it＝σ(wiht-1+wixt+bi) (2)
11、
12、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；
13、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：
14、
15、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：
16、ot＝σ(woht-1+woxt+bo) (5)
17、ht＝ot*tanh(ct) (6)
18、式中，wo为输出门权重向量，bo为输出门偏置向量。
19、cnn处理流程如公式(7)-(10)所示：
20、
21、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；
22、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：
23、
24、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：
25、
26、式中，l(i,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，vl(i,n)表示当前第l层i通道中第j个神经元池化后的结果。
27、池化层通过最大池化或平均池化的操作完成对数据的降维，使模型在保留数据主要特征的同时减少参数和计算量，并且还能防止模型发生过拟合现象。全连接层的作用是将经过卷积层和池化层的特征信息进行分类，并且输出结果。
28、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；注意力层主要是通过注意力机制，对lstm和cnn提取的数据特征进行加权求和计算，然后根据每个时间步的注意力权重，决定不同数据特征对最终输出结果的贡献程度，过滤掉不关键信息，这样不仅可以提升模型检测故障的准确度，而且还能加快模型的训练速度。
29、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：
30、
31、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：
32、sc＝conv1d1(zc) (12)
33、sc＝relu(sc) (13)
34、sc＝conv1d2(sc) (14)
35、sc＝σ(sc) (15)
36、式中，σ为sigmoid激活函数；
37、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：
38、
39、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。
40、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：
41、
42、式中，h1(t)和h2(t)分别为前向传播和后向传播的隐藏状态，h1(t-1)和h2(t+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，x(t)和h(t)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；
43、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：
44、
45、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：
46、
47、式中,k为具体某个分类,n为分类个数,v为分类的值。
48、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：
49、
50、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；
51、步骤七：故障检测阶段，过程如下：
52、(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；
53、(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；
54、(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；
55、(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；
56、(5)将测试集输入到训练完成的模型中，进行故障识别；
57、(6)计算故障识别的损失率和准确率，并且输出结果。
58、本发明的优点与效果是：
59、本发明的优点与积极效果是：
60、(1)采用lstm-cnn的并行结构充分提取轴承故障特征，该方法利用卷积神经网络的局部连接的特性来提取局部信息，多层卷积层逐渐扩大的感受野，各层卷积层中不同尺寸的多个卷积核，能够充分学习数据之间的局部相关信息。从而提升了模型的训练效率，并保证了较高的鲁棒性；
61、(2)引入注意力机制对不同通道提取的特征进行权重划分，通过动态调整不同通道的权重，模型可以更有效地捕捉到关键特征，提高了模型的判别性；
62、(3)引入bigru算法使得模型能够在每个时间步同时考虑过去和未来的信息，从而更全面地理解和建模时序数据，进一步挖掘特征信息。因此模型可以更好地适应不同序列模式，实现更为有效的故障检测。
63、本发明所提方法在轴承故障检测中的准确率可以达到100％，成功实现了轴承故障的精准诊断，并且表现出更高的稳定性。此外，通过多种可视化分析的验证，我们进一步证实了该方法的有效性，并且相对于传统深度学习模型具有显著优势。总之，该发明方法极大的提高的工业过程轴承故障检测的准确率。
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：
