1.一种旋转机械的故障诊断方法,其特征在于,包括:采集不同故障类型的旋转机械的原始振动信号;
基于麻雀搜索优化算法对特征模态分解算法的模态数和滤波器长度进行优化,并获得全局最小包络熵值以及对应的最佳种群参数组合;
利用参数优化后的特征模态分解算法对原始振动信号进行分解,并获得两个以上模态分量;
计算两个以上模态分量的峰度值,并选取最大峰度值的模态分量定义为最优模态;
将最优模态输入至一维卷积神经网络,并利用一维卷积神经网络消除部分噪音以及抑制过拟合;
利用门控循环单元捕获信号序列的时序关系;
利用自注意力机制计算门控循环单元的输出对应的注意力得分,并构建一故障诊断模型;
获取一振动信号输入至所述故障诊断模型,并输出对应的故障类型,其中,所述将最优模态输入至一维卷积神经网络,并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中,所述一维卷积神经网络包括卷积层、池化层、全连接层以及分类层,其中,所述将最优模态输入至一维卷积神经网络,并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中,将最优模态输入至一维卷积神经网络,且最优模态由滤波器卷积处理;
利用激活函数生成特征矩阵,且每个卷积单元对应感受野的部分,其中感受野是指在输入数据中被卷积单元所覆盖的区域;
卷积操作过程如下公式所示:
其中,ReLU(·)和*代表激活函数和卷积运算;x其中,所述将最优模态输入至一维卷积神经网络,并利用一维卷积神经网络的卷积层消除部分噪音以及抑制过拟合的步骤中,利用池化层提取卷积后的特征矩阵的重要特征,最大池化的公式如下所示:其中,
利用全连接层将二维特征转化为一维向量,全连接层公式如下所示:其中,
其中,所述利用门控循环单元捕获信号序列的时序关系的步骤中,u
r
其中,a
其中,所述利用自注意力机制计算门控循环单元的输出对应的注意力得分,并构建一故障诊断模型的步骤中,对一个输入序列x={x
计算向量q
其中,d
使用softmax函数对α
其中,α
将向量v
其中,z
2.根据权利要求1所述的旋转机械的故障诊断方法,其特征在于,所述基于麻雀搜索优化算法对特征模态分解算法的模态数和滤波器长度进行优化,并获得全局最小包络熵值以及对应的最佳种群参数组合的步骤中,包括以下步骤:初始化种群参数;
计算包络熵值并排序步骤:在不同麻雀的位置下对原始振动信号利用特征模态分解算法进行分解,计算当前位置对应的包络熵值,对比各个包络熵值的大小确定当下最小包络熵值,并更新个体极值和全局极值;
通过如下公式计算原始振动信号x(j)(j=0,1,…,n)的包络熵值:其中,n表示采样点总数,x(j)代表信号第j个采样点,E发现者位置更新公式为:
其中,t为当前迭代次数,R
加入者位置更新公式:
其中,w
警戒者位置更新公式:
其中,β为服从正态分布的随机数;κ∈[-1,1]为均匀随机数;f判断是否发生危险,若是,更新发现者位置以及跟随者位置;若否,更新包络熵值;
判断循环次数是否达到预设循环次数,若否,返回至计算包络熵值并排序步骤进行循环,若是,输出全局最小包络熵值以及对应的最佳种群参数组合。
3.根据权利要求1所述的旋转机械的故障诊断方法,其特征在于,所述利用参数优化后的特征模态分解算法对原始振动信号进行分解,并获得两个以上模态分量的步骤,具体包括以下步骤:将原始振动信号x输入至特征模态分解算法,并初始化特征模态分解算法的参数,该参数包括分解的模态个数n以及滤波器长度L;
通过使用K个汉宁窗初始化FIR滤波器组,并初始化迭代次数i=1,其中特征模态分解算法通过迭代更新滤波器系数,建立自适应的FIR滤波器组;
获得滤波后的模态分量u
采用原始振动信号x、分解的模态分量u判断迭代次数是否大于或等于预设迭代次数,若否,返回至获得滤波后的模态分量的步骤,若是,计算每两个模态分量之间的相关系数,并构建相关系数矩阵CC其中,N表示信号长度;CC
选择具有最大相关系数的两个模态分量,并计算两个模态分量的相关峭度;
选择相关峭度大的模态分量作为分解的模态分量,并设K=K-1,K为模态个数;
判断当前模态个数K是否大于或等于设定的模态数量n,若否,返回至获得滤波后的模态分量的步骤,若是,获得n个模态分量作为特征模态分解算法的最终分解结果。
4.根据权利要求1所述的旋转机械的故障诊断方法,其特征在于,所述计算两个以上模态分量的峰度值,并选取最大峰度值的模态定义为最优模态的步骤中,计算特征模态分解算法分解后的各个模态分量的峰度值,选取最大峰度值的模态为特征模态分解算法的最优模态;
计算信号序列{x(n)}的峰度值:其中,x
5.一种旋转机械的故障诊断系统,其特征在于,包括:存储器,用于存储可执行程序代码;以及处理器,连接至所述存储器,通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序,以执行如权利要求1-4中任一项旋转机械的故障诊断方法中的步骤。