一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质技术方案

本发明专利技术提供一种基于VMD‑SSAE的滚动轴承故障诊断分类方法，包括步骤：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，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。本发明专利技术提供的一种基于VMD‑SSAE的滚动轴承故障诊断分类方法，能够较为准确地诊断出滚动轴承的故障类型。

【技术实现步骤摘要】
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
本专利技术涉及滚动轴承故障诊断分类
，尤其涉及一种基于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。
技术介绍
滚动轴承在工业领域应用广泛，是旋转机械中极易损坏的关键部件之一，在高速重载长时间恶劣的工作环境下容易发生疲劳和故障，从而影响整个设备的安全稳定运行，当发生严重故障时，会造成巨大的社会经济损失甚至人员伤亡。而传统的设备健康监测需要消耗大量的人力物力，且难以实现实时监控，因此对滚动轴承进行实时状态监测和故障诊断具有极其重要的意义。振动信号是机械设备运行状态的重要载体，如何从复杂的振动信号中提取有价值的特征信息用来评估设备的健康状况一直是故障诊断领域研究的重点。随着人工智能的兴起，智能故障诊断算法在故障诊断领域起着越来越重要的作用，现有的机器学习方法虽然能够根据人工提取的特征识别轴承故障类型，但大多数神经网络为浅层结构，限制了从输入中学习更高级，更抽象信息的能力，而且需要大量的试验数据对网络进行训练。浅层结构的局限性会降低故障诊断的准确率，对网络进行大量数据的训练不但增加试验数据采集的工作量而且还会增加网络训练的时长。另外，轴承在正常工作时，其所处状态是时刻在变化着的，即常处于不同载荷和变转速状态，现有的轴承故障诊断方法大多适用于平稳工况，难以对复杂工况下的轴承振动信号做出正确的诊断。因此需要一种能在不同载荷、变转速状态下有良好诊断效果和鲁棒性的轴承故障诊断方法。作为一种深度学习方法，堆栈稀疏自编码器通过逐层提取来获得输入数据最抽象最本质的特征，具有强自适应、强鲁棒性、好的数据容错性等优点。但在实际应用中，需要经过繁琐的手工调试和大量的对比分析才能得到较为理想的SSAE网络的稀疏惩罚因子，这在很大程度上增加了调试人员的工作量，同时也限制了模型的故障诊断能力。因此需要一种方法对SSAE网络的稀疏惩罚因子进行自适应选取，以摆脱繁琐的手工调参工作，同时达到好的故障诊断效果。因此，为了解决现有技术中滚动轴承在时变非平稳性载荷以及不同轴承试验数据量下难以快速准确判断出轴承故障类型的问题，本专利技术设计了一种基于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。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于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，用于解决现有技术中滚动轴承在时变非平稳性载荷以及不同轴承试验数据量下难以快速准确判断出轴承故障类型的问题。为实现上述目的及其他相关目的，本专利技术提供了一种基于VMD-SSAE的滚动轴承故障诊断分类方法，包括步骤：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。于本专利技术的一实施例中，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。于本专利技术的一实施例中，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。于本专利技术的一实施例中，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。于本专利技术的一实施例中，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。于本专利技术的一实施例中，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。于本专利技术的一实施例中，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。本专利技术还提供了一种基于VMD-SSAE的滚动轴承故障诊断分类系统，包括：信号采集模块，用于采集不同故障类型的滚动轴承的振动信号；特征提取模块，用于基于变分模态分解，提取所述振动信号的时域、频域和时频域特征；数据集构建模块，用于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；模型构建模块，用于将堆栈稀疏自编码器与Softmax分类器连接，构成VMD-SSAE分类模型，并用所述训练集训练所述VMD-SSAE分类模型；模型优化模块，用于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；故障诊断模块，用于将所述测试集中的数据输入所述VMD-SSAE分类模型中，以得到诊断分类结果。于本专利技术的一实施例中，一种基于VMD-SSAE的滚动轴承故障诊断分类设备包括：处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如上所述的滚动轴承故障诊断分类方法。于本专利技术的一实施例中，一种计算机刻度可读存储介质，其特征在于：包括程序，当所述程序在计算机上运行时，使得本文档来自技高网...

【技术保护点】
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：/n采集不同故障类型的滚动轴承的振动信号；/n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；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈剑，张磊，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34