[发明专利]一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质

权利要求书

1.一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述方法包括：

采集不同故障类型的滚动轴承的振动信号；

基于变分模态分解，对所述振动信号进行时域、频域和时频域特征提取；

将所述特征组成数据集，并将所述数据集分为训练集、验证集和测试集；

将堆栈稀疏自编码器与Softmax分类器连接，构建VMD-SSAE分类模型，并用所述训练集训练所述VMD-SSAE分类模型；

采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型；

将所述测试集中的数据输入理想的所述VMD-SSAE分类模型中，得到诊断分类结果。

2.根据权利要求1所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述采集不同故障类型的滚动轴承的振动信号包括：在不同载荷和转速下，采集所述滚动轴承的所述振动信号。

3.根据权利要求1所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述基于变分模态分解，对振动信号进行时域、频域和时频域特征提取，包括步骤：

对所述振动信号进行时域特征提取，获得时域特征数据；

对所述振动信号进行频域特征提取，获得频域特征数据；

采用所述变分模态分解，对所述振动信号进行时频域特征提取，获得时频域特征数据。

4.根据权利要求3所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述获得时频域特征数据，包括步骤：

采用所述变分模态分解，对所述振动信号进行自适应分解，得到多个固有模态函数；

对每一所述固有模态函数进行时频域特征提取，获得所述时频域特征数据。

5.根据权利要求1所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型，包括步骤：

采用所述灰狼优化算法对稀疏自编码器的稀疏惩罚因子进行自适应选取，以得到优化的所述VMD-SSAE分类模型中的稀疏惩罚因子；

采用所述误差反向传播算法对优化后的所述VMD-SSAE分类模型进行微调，以得到理想的所述VMD-SSAE分类模型。

6.根据权利要求5所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述采用所述灰狼优化算法对稀疏自编码器的稀疏惩罚因子进行自适应选取，包括步骤：

S511、初始化所述灰狼优化算法的基本参数，所述基本参数包括：灰狼的个数、迭代次数，其中所述灰狼的个数大于三个；

S512、计算所述灰狼的适应度值；

S513、根据所述适应度值，依次确定前三个最优狼；

S514、根据所述前三个最优狼的位置，更新其他所述灰狼的位置；

S515、迭代次数加一，并计算当前所述灰狼的所述适应度值；

S516、将当前所述灰狼的所述适应度值与上一代所述灰狼的所述适应度值进行比较，选择其最小值作为最小适应度值；

S517、判断是否达到终止条件，若是，则将所述最小适应度值对应的所述灰狼的位置作为所述稀疏自编码器的最优稀疏惩罚因子，否则，返回步骤S513，继续更新所述灰狼的位置；其中，所述终止条件包括：所述最小适应度值小于预设的适应度阈值。

7.根据权利要求6所述的一种基于VMD-SSAE的滚动轴承故障诊断分类方法，其特征在于，所述根据适应度值，依次确定前三个最优狼的步骤包括：所述适应度值最小的所述灰狼作为第一所述最优狼，所述适应度值次之的所述灰狼依次作为第二、第三所述最优狼。