1.一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:包括以下步骤:
Step1、采集滚动轴承不同损伤程度、不同故障的声发射信号;
Step2、划分训练集、验证集和测试集,定义故障类型;
Step3、建立基于卷积神经网络的滚动轴承故障诊断模型;
Step4、建立基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断模型,利用其进行故障智能诊断。
2.根据权利要求1所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step2中,将滚动轴承声发射信号与对应的故障标签作为一个样本对,将全部样本按照一定的比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step3中,建立基于卷积神经网络的滚动轴承故障诊断模型包括:Step3.1、模型的输入为一维时域声发射信号;
Step3.2、模型包含三个卷积层、两个最大池化层和一个全局平均池化层;
Step3.3、模型使用的激活函数为ReLU激活函数;
Step3.4、通过输出为故障类别的Softmax层来匹配滚动轴承数据的标签,算法表述如下:j
式中,m为输入批量的大小, 表示输出的第k个样本,当目标类别是j时,p=1,否则为jq,Lt为输出分类类别,lg表示以10为底的常用对数;
Step3.5、模型采用交叉熵损失函数,其公式表达如下:
式中,T为待分类的类别总数,yi为第i个类别对应的真实标签, 为对应的模型输出值,lg表示以10为底的常用对数。
4.根据权利要求1所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4中,建立基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断模型包括:Step4.1、依据模型所需超参数建立相应约束条件,以测试集损失函数值最小作为目标;
Step4.2、改进麻雀搜索算法对基于卷积神经网络的滚动轴承故障诊断模型的超参数进行寻优。
5.根据权利要求4所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2中,包括如下步骤:Step4.2.1、设置种群数量N、迭代次数t、发现者比率PD、警戒者比率SD、警戒阈值R2、选择概率P、搜索空间的上限Xub和下限Xlb,采用Sine‑Ten交叉混沌映射初始化麻雀种群;
Step4.2.2、计算各只麻雀的适应度值,找出当前最优适应度值和最差适应度值,以及相对应的位置;
Step4.2.3、从适应度值较优的麻雀中,选取部分麻雀作为发现者,发现者位置更新中引入自适应权重因子;
Step4.2.4、余下麻雀作为加入者,并从麻雀中随机选择部分麻雀作为警戒者;
Step4.2.5、根据概率P选择高斯和Levy飞行随机游走对当前最优位置进行扰动产生新解;
Step4.2.6、计算随机游走个体的适应度值判断是否优于游走前的个体适应度值,若是则更新最优位置否则位置不变;
Step4.2.7、判断步骤Step4.2.1~步骤Step4.2.6迭代的次数,是否达到设置的最大迭代次数,如果达到最大迭代次数则终止运行,输出此时所得最优位置,实现卷积神经网络模型超参数的优化,否则,转到步骤Step4.2.2。
6.根据权利要求5所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2.1中,Sine‑Ten交叉混沌映射,其公式表达如下:式中,xn,yn为第n次迭代的混沌向量,xn+1,yn+1为第n+1次迭代的混沌向量,N为种群数量;
将交叉映射产生的变量值映射到麻雀个体上,将初始化种群表示为:式中,Xlb表示麻雀种群的下边界,Xub表示麻雀种群的上边界,Xi表示初始化的第i个麻雀个体位置,Xi+1表示初始化的第i+1个麻雀个体位置。
7.根据权利要求5所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2.3中,发现者位置更新公式如下:式中, 表示更新后的发现者群体的第i个麻雀在第j维中的位置信息,t表示当前迭代次数,j=1,2,3...,d,itermax表示最大迭代次数,α∈(0,1]是一个随机数,R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值,Q为服从正太分布的随机数,L表示一个1×d的矩阵,其中元素全部为1, 为上一代中第j维的全局最优解,ω表示自适应权重,公式如下:
8.根据权利要求5所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2.4中,加入者和警戒者的位置更新公式分别如下:式中, 表示加入者更新的位置信息,XP是目前发现者的最优位置,Xworst表示当前+ T T ‑1全局最差位置,A表示一个1×d的矩阵,且每个元素随机赋值为1或‑1,其中A=A (AA) ,t代表当前迭代次数,j=1,2,3...,d,Q为服从正太分布的随机数,L表示一个1×d的矩阵,其中元素全部为1;
式中, 表示警戒者更新的位置信息,Xbest是当前的全局最优位置,β为步长,服从均值为0,方差为1的正太分布随机数,K∈[‑1,1]是一个随机数,fi是当前麻雀个体的适应度值,fg和fw分别是当前全局最优和最差适应度值,ε表示最小的常数,避免分母出现零。
9.根据权利要求5所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2.5中,高斯随机游走的位置更新公式如下:式中, 表示高斯随机游走产生的麻雀个体位置,Gaussian表示均值为Xbest标准差为σ的高斯随机数,Xbest是当前的全局最优位置,σ表示高斯随机数的标准差,利用余弦函数对其调整,随着迭代次数的增加,逐渐减小扰动,σ公式如下:式中, 为发现者种群中的随机个体位置,itermax表示最大迭代次数,t表示迭代次数。
10.根据权利要求5所述的基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法,其特征在于:所述Step4.2.5中,Levy飞行的位置更新的公式如下:式中, 表示Levy飞行产生的麻雀个体位置,Xbest是当前的全局最优位置,α是步长因子,Levy(λ)是随机步长,Levy飞行概率密度函数及生成随机步长的公式如下:‑λ
Levy:u=t ,1≤λ≤3 (12)
2
进行更新时,Levy(λ)使用S表示,进行计算时参数β取值为1.5,α取值为1,μ~N(0,σ),v~N(0,1),σ取值为: