【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。