基于ISCA-SDAE的滚动轴承故障诊断方法及系统技术方案

本发明专利技术涉及一种基于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

【技术实现步骤摘要】
基于ISCA-SDAE的滚动轴承故障诊断方法及系统
本专利技术涉及电机滚动轴承故障诊断
，尤其是一种基于ISCA-SDAE的滚动轴承故障诊断方法及系统。
技术介绍
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。
技术实现思路
本专利技术的首要目的在于提供一种泛化性能好、诊断准确率高、鲁棒性强的基于ISCA-SDAE的滚动轴承故障诊断方法。为实现上述目的，本专利技术采用了以下技术方案：一种基于ISCA-SDAE的滚动轴承故障诊断方法，该方法包括下列顺序的步骤：(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；(2)参数初始化；(3)根据ISCA粒子值更新公式更新粒子值；(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassificationrate(i)，以其对应粒子值作为当前解(5)判断最小分类错误率Misclassificationrate(i)<error或t>T是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自动编码器SDAE网络超参数，否则转到步骤(3)，t＝t+1，循环执行步骤(3)和步骤(4)，直到满足判别条件，退出循环；所述error为目标分类错误率，t为当前迭代次数，T为最大迭代次数；(6)将上述步骤中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，并利用Soft-max分类器对其结果进行分类，最终得到测试集故障分类结果。所述步骤(2)中初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、目标分类错误率error、搜索空间上边界ub、搜索空间下边界lb、初始解的值X0、随机数r1、r2、r3、r4，根据设置的粒子取值范围初始化粒子的值，计算初始值的分类错误率，并寻找初代粒子种群中具有最小分类错误率的粒子作为当前解，记录最小分类错误率Misclassificationrate(i)及当前解的值X1。所述步骤(3)具体是指：式中，r1是随机数，决定了下一次迭代时的位置或移动方向；r2是[0,π]之间的随机数，决定当前移动的步进值；r3是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是加强或是削弱步进值对目标解的影响；r4是[0,1]中的随机数，r4表示如何在上式中的正弦和余弦分量之间做出选择，当r4<0.5时按正弦公式迭代，当r4≥0.5时按余弦公式迭代；w为非线性惯性权重；pit表示在t次迭代时最优个体位置变量的第i维的位置。在r1中加入控制参数余弦变化，其表达式为：式中，a为常数，a＝2，t为当前迭代次数，T为最大迭代次数。在ISCA粒子值更新公式中引入非线性惯性权重，其表达式为：式中：最大权重因子Wmax＝0.9，最小权重因子Wmin＝0.4。本专利技术的另一目的在于提供一种基于ISCA-SDAE的滚动轴承故障诊断方法的系统，包括：信号源，采用电机滚动轴承，在测量电机振动时，配合电机测试台架，利用电机测试台架模拟各种工况，在不同工况下监测并记录振动信号；传感器监测节点，由ICM20948振动加速度传感器和MC13224无线传输模块组成，用于采集现场各电机滚动轴承振动信号及将采集到的信号无线传输到树莓派3B+主控节点进行故障诊断；树莓派3B+主控节点，采用树莓派3B+型，采用ARMA53处理器，搭载Linux操作系统，对接收到的振动信号进行数据归一化处理以及数据分流，最终利用基于ISCA-SDAE的滚动轴承故障诊断方法实现故障诊断，用C#完成设备界面开发，本文档来自技高网...

【技术保护点】
1.一种基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：该方法包括下列顺序的步骤：/n(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；/n(2)参数初始化；/n(3)根据ISCA粒子值更新公式更新粒子值；/n(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassification rate(i)，以其对应粒子值作为当前解

【技术特征摘要】
1.一种基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：该方法包括下列顺序的步骤：
(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；
(2)参数初始化；
(3)根据ISCA粒子值更新公式更新粒子值；
(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassificationrate(i)，以其对应粒子值作为当前解
(5)判断最小分类错误率Misclassificationrate(i)<error或t>T是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自动编码器SDAE网络超参数，否则转到步骤(3)，t＝t+1，循环执行步骤(3)和步骤(4)，直到满足判别条件，退出循环；所述error为目标分类错误率，t为当前迭代次数，T为最大迭代次数；
(6)将上述步骤中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，并利用Soft-max分类器对其结果进行分类，最终得到测试集故障分类结果。


2.根据权利要求1所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：所述步骤(2)中初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、目标分类错误率error、搜索空间上边界ub、搜索空间下边界lb、初始解的值X0、随机数r1、r2、r3、r4，根据设置的粒子取值范围初始化粒子的值，计算初始值的分类错误率，并寻找初代粒子种群中具有最小分类错误率的粒子作为当前解，记录最小分类错误率Misclassificationrate(i)及当前解的值X1。


3.根据权利要求1所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：所述步骤(3)具体是指：



式中，r1是随机数，决定了下一次迭代时的位置或移动方向；r2是[0,π]之间的随机数，决定当前移动的步进值；r3是[0,2]之间的随机数，是目标解随机赋予的一...

【专利技术属性】
技术研发人员：李兵，梁舒奇，单万宁，佐磊，尹柏强，何怡刚，李强，谢长健，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34