[发明专利]基于ISCA-SDAE的滚动轴承故障诊断方法及系统

说明书

本发明涉及一种基于ISCA‑SDAE的滚动轴承故障诊断方法，包括：对电机滚动轴承故障数据做归一化处理；参数初始化；根据ISCA粒子值更新公式更新粒子值；检查种群中粒子值是否在搜索范围内，若在搜索范围内则计算分类错误率，筛选出最小分类错误率，以其对应粒子值作为当前解输出优化后的堆叠降噪自动编码器SDAE网络超参数；将具有最小分类错误率的粒子值带入堆叠降噪自动编码器SDAE相应的参数中，利用Soft‑max分类器进行分类，得到测试集故障分类结果。本发明还公开了一种基于ISCA‑SDAE的滚动轴承故障诊断系统。本发明具有较好的特征学习能力，具有更强的鲁棒性和泛化能力，通过均衡遍历性强，收敛效率高的ISCA优化SDAE深度网络结构的超参数，从而最终提升故障分类的准确率。

技术领域

本发明涉及电机滚动轴承故障诊断技术领域，尤其是一种基于ISCA-SDAE的滚动轴承故障诊断方法及系统。

背景技术

滚动轴承作为电机的重要组成部分，被广泛应用于工业生产中。在电机的长期运行过程中，滚动轴承的内圈、滚动体和外圈上极易发生故障，其将直接影响到电机的性能，甚至会造成电机功能失效、引发经济损失或人员伤亡等严重后果。因此，深入研究滚动轴承的故障诊断方法，对于电机的安全性和可靠性具有重要意义。

基于人工智能的故障诊断方法，已经广泛应用于滚动轴承的故障诊断并取得一定的成果。目前，滚动轴承故障诊断大多是通过对各种状态参数的监测和分析来判断其运行状态，确定故障位置和磨损程度。一般轴承故障诊断可通过振动信号的采集、特征提取和分类来完成。利用小波变换能够获得较理想的信号分解结果，从而实现准确率更高的故障诊断；集合经验模态分解方法在抑制模态混淆和故障诊断方面较原始方法有一定优势。然而，传统的线性参数提取方法存在难以从滚动轴承振动信号中提取出丰富的故障特征问题。支持向量机在少量样本情况下仍能有效地对轴承故障类型进行识别，但采用监督式学习的训练模式不能广泛的应用于所有故障诊断背景，而且浅层网络所提取的信号特征不明显，会影响分类结果的准确率。

自动编码器是在无监督的情况下对样本数据通过编码和解码最后完成重现的过程，以其输出数据与样本数据的误差对网络权重和偏置做出调整，目的是在隐含层找到样本数据的另外一种特征明显的表达方式，实际上是对大数据的特征提取。降噪自动编码器是在自动编码器的网络结构基础上对输入样本数据添加噪声，然后将添加噪声的受损信号输送到自动编码器中，让其学习原始输入信号的特征，使学习得到的编码器具有更强的适应性，从而增强了模型的泛化能力，同时可以防止过拟合。堆叠降噪自动编码器是由若干个降噪自动编码器堆叠而成，构成一种深度学习的网络结构，经过深层的非线性映射能够得到样本数据更加高阶的隐含特征。

在实际应用中，堆叠降噪自动编码器网络结构参数的选取将直接影响其分类性能，如网络的隐含层节点数、稀疏参数及输入数据随机置零比例等超参数。目前，在选取堆叠降噪自动编码器超参数时应用的方法大多是经验枚举法，通过不断尝试多种组合来获得其中较优的一组超参数，对于特定的故障诊断问题则需要进行专门的超参数测试选取，对于不同领域的故障分类问题，选取的超参数泛化性能较弱；利用粒子群算法进行超参数寻优存在易陷入局部最优解，遍历效果差的问题。而对于普通的正余弦算法，当全局搜索过多时，运动会特别慢；局部挖掘过多时，容易陷入最优解。

正余弦算法是一种新型的元启发式算法，它是建立在正弦余弦函数上的自组织和群智能基础上的数值优化计算方法。正余弦算法需要设置的参数少，只有种群大小和迭代次数，而且还具有结构简单、易于实现和收敛速度快的突出优势。正余弦算法中有局部挖掘和全局搜索两部分，这两个部分相互促进又相互矛盾，全局搜索用于快速定位最优解范围，局部挖掘用于寻找最优解，这两者必须达到平衡状态。

在现有滚动轴承故障诊断算法中并没有利用改进后的正余弦算法对堆叠降噪自动编码器的相关介绍。由于轴承故障振动信号存在噪声干扰，导致特征提取困难，引入基于堆叠降噪自动编码器的无监督自学习特征提取方法。但其诊断性能对超参数取值敏感，为进一步提升其诊断效果，提出在正余弦算法粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化，从而构建均衡遍历性强、收敛效率高的改进正余弦算法。