一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法技术方案

本发明专利技术公开了一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，该方法包括步骤：(1)获取轴承故障信号；(2)通过小波包变换轴承故障信号提取故障信号特征，将该信号特征划分为训练数据集和测试数据集；(3)采用宽度学习系统进行训练，训练时采用麻雀搜索算法获取宽度学习系统的最优适应度值对应的麻雀位置参数；(4)将麻雀位置参数作为超参数训练宽度学习系统，建立轴承故障诊断模型。本发明专利技术采用宽度学习系统解决现有技术对海量复杂数据进行建模时要耗费大量的计算资源，出现训练停滞或难以训练等问题，利用麻雀搜索算法对宽度学习系统的超参数进行优化，提高宽度学习系统的准确率，解决宽度学习系统分类效果的受限问题。题。题。

【技术实现步骤摘要】
一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法


[0001]本专利技术属于轴承故障诊断
，涉及一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法。

技术介绍

[0002]滚动轴承作为旋转机械系统的关键零件之一，被广泛应用于航空、航天和智能制造等诸多工业领域。随着现代工业和制造业系统的发展，为使机械设备能够持续有效地进行工作，对滚动轴承进行健康监测和故障诊断具有极其重要的意义。故障诊断的实质是通过对采集到的机械设备信号和模型信息进行分析，从而实现对机械设备的工作状态进行有效的分析诊断。近年来深度学习技术因为具有强大的数据特征挖掘能力和广泛的适应性被使用各个领域，学者们也对利用深度学习技术进行故障诊断作了研究；文献“童靳于,罗金,郑近德，基于增强深度自编码网络的滚动轴承故障诊断方法[J].中国机械工程,2021,32(21):2617
‑
2624”提出一种结合经验模态分解、奇异值分解和深度卷积网络的故障诊断方法，将所提方法应用于滚动轴承与齿轮箱故障诊断，同时在西储大学滚动轴承数据集和PHM2009直齿齿轮箱数据集上验证该方法的优越性；文献“张立智,徐卫晓,井陆阳,等.基于EMD
‑
SVD和CNN的旋转机械故障诊断[J].振动.测试与诊断,2020,40(6):1063
‑
1070,1228”提出一种增强深度自编码网络，结合灰狼算法对网络关键参数进行自动选取。该增强深度自编码网络具有更好的特征提取能力和稳定性。文献“AN F,WANG J.Rolling bearing fault diagnosis algorithm using overlapping group sparse
‑
deep complex convolutional neural network[J].Nonlinear Dynamics,2022(108):2353
‑
2368”针对滚动轴承复合信号特征提取困难和多尺度问题，提出了一种基于重叠群稀疏模型
‑
深度复杂卷积神经网络的滚动轴承故障诊断算法。
[0003]深度学习拥有极其强大的泛化能力和数据特征提取能力，但工业大数据背景下所需处理的数据量和其复杂程度也在不断地增大，利用深度学习对海量的复杂数据进行建模时，由于深度学习网络层数往往较深，模型参数较多，需要反复迭代来优化参数，需要耗费大量的计算资源，甚至出现训练停滞难以训练的情况。
[0004]针对深度学习存在的以上问题，在随机向量函数链接神经网络(Radom Vector Functional Link Neural Network，RVFLNN)的基础上文献“CHEN C L P,LIU Z.Broad learning system:an effective and efficient incremental learning system without the need for deep architecture[J].IEEE Transactions on Neural Networks and Learning Systems,2018,29(1):10
–
24”进一步提出了宽度学习系统(Broad Learning System，BLS)。与传统的深度学习相比，宽度学习系统使用“横向扩张”的方式避免了在“深度”上的叠加，利用动态逐步更新算法，即增量学习系统对神经网络中因数据加入而引起的网络输出权重变化进行更新，在降低神经网络的复杂度的同时，保证了神经网络的训练精度，使其具有处理海量复杂性数据的能力。
[0005]但BLS的分类能力会受限于超参数的选择，这是BLS应用过程中必须要解决的问
题。

技术实现思路

[0006]本专利技术要解决的技术问题是：提供一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，将贪婪算法、增加记忆功能的改进爬山法应用到多级供应链分销网络优化问题中，有效解决大规模、多周期需求的多级供应链配送优化以及节点动态选择的问题。
[0007]本专利技术采取的技术方案为：一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，该方法包括以下步骤：
[0008](1)获取轴承故障信号；
[0009](2)通过小波包变换轴承故障信号提取故障信号特征，将该信号特征划分为训练数据集和测试数据集；
[0010](3)采用宽度学习系统进行训练，训练时采用麻雀搜索算法获取宽度学习系统的最优适应度值对应的麻雀位置参数；
[0011](4)将麻雀位置参数作为超参数训练宽度学习系统，建立轴承故障诊断模型。
[0012]步骤(3)中采用麻雀搜索算法获取宽度学习系统的最优适应度值对应的麻雀位置参数的方法包括以下步骤：
[0013]S1：确定种群规模以及探索占比；
[0014]S2：定义宽度学习系统超参数界限，随机生成麻雀种群超参数；
[0015]S3：用初始超参数训练宽度学习系统，得到初始适应度值；
[0016]S4：判断种群当前位置是否安全，对探索者的位置进行更新；
[0017]S5：判断跟随者自身的状态，对跟随者的位置进行更新；
[0018]S6:训练宽度学习系统，更新适应度值；
[0019]S7：判断是否达到预定迭代次数，若达到，麻雀算法结束，进入步骤S8，否则重复步骤S4
‑
S7；
[0020]S8：获得最优适应度值对应的麻雀位置参数。
[0021]本专利技术的有益效果：与现有技术相比，本专利技术采用宽度学习系统代替深度学习进行轴承故障诊断，解决利用深度学习对工业大数据背景下的海量复杂数据进行建模时，需要耗费大量的计算资源，出现训练停滞或难以训练等问题，同时针对宽度学习系统分类效果受限于自身超参数的选择这一问题，利用元启发算法中的麻雀搜索算法对宽度学习系统的超参数进行优化，提高宽度学习系统的准确率。
附图说明
[0022]图1小波包分解树结构示意图；
[0023]图2宽度学习系统网络结构图；
[0024]图3宽度学习系统算法流程图；
[0025]图4麻雀搜索算法流程图；
[0026]图5SSA
‑
BLS模型算法流程图；
[0027]图6IR07数据集小波包分解重构信号图；
[0028]图7IR07频带能量谱图；
[0029]图8为混淆矩阵图，图中，(a)RVFLNN混淆矩阵；(b)BLS混淆矩阵(c)SSA
‑
BLS混淆矩阵。
具体实施方式
[0030]下面结合具体的实施例对本专利技术进行进一步介绍。
[0031]实施例1：一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，该方法包括以下步骤：
[0032](1)获取轴承故障信号；
[0033](2)通过小波包变换轴承故障信号提取故障信号特征，将该信号特征划分为训练数据集和测试数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，其特征在于：该方法包括以下步骤：(1)获取轴承故障信号；(2)通过小波包变换轴承故障信号提取故障信号特征，将该信号特征划分为训练数据集和测试数据集；(3)采用宽度学习系统进行训练，训练时采用麻雀搜索算法获取宽度学习系统的最优适应度值对应的麻雀位置参数；(4)将麻雀位置参数作为超参数训练宽度学习系统，建立轴承故障诊断模型。2.根据权利要求1所述的一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法，其特征在于：步骤(3)中采用麻雀搜索算法获取宽度学习系统的最...

【专利技术属性】
技术研发人员：李少波，陈光林，周鹏，李笑瑜，张钧星，
申请(专利权)人：贵州大学，
类型：发明
国别省市：