基于BAS優(yōu)化堆棧稀疏自編碼器的軸承故障診斷

張 磊, 陳 劍, 孫太華, 曹昆明, 闞 東, 程 明

(1.合肥工業(yè)大學(xué) 噪聲振動工程研究所,安徽 合肥 230009; 2.安徽省汽車NVH技術(shù)研究中心,安徽 合肥 230009)

滾動軸承在工業(yè)領(lǐng)域應(yīng)用廣泛,是旋轉(zhuǎn)機(jī)械中極易損壞的關(guān)鍵部件之一,在高速重載長時間惡劣的工作環(huán)境下容易發(fā)生疲勞和故障,從而影響整個設(shè)備的安全穩(wěn)定運(yùn)行[1]。相關(guān)調(diào)查資料表明,約30%的旋轉(zhuǎn)機(jī)械設(shè)備故障是由滾動軸承損壞產(chǎn)生的。一旦發(fā)生故障,輕則影響工業(yè)正常生產(chǎn),重則造成巨大的經(jīng)濟(jì)損失甚至人員傷亡。因此,對滾動軸承進(jìn)行準(zhǔn)確、高效的故障診斷具有極其重要的意義[2]。

振動信號是機(jī)械設(shè)備運(yùn)行狀態(tài)的重要載體,如何從復(fù)雜的振動信號中提取有價(jià)值的特征信息用來評估設(shè)備的健康狀況一直是故障診斷領(lǐng)域研究的重點(diǎn)。隨著人工智能的興起,智能故障診斷算法在故障診斷領(lǐng)域起著越來越重要的作用。智能故障診斷具有自學(xué)習(xí)功能、自動獲取特征信息、對故障進(jìn)行實(shí)時診斷的能力,并以靈活的診斷策略對監(jiān)測對象的運(yùn)行狀態(tài)和故障做出智能判斷和決策[3]。文獻(xiàn)[4]將振動信號進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解,以固有模態(tài)函數(shù)(intrinsic mode function,IMF)的置換熵作為特征輸入,利用特征空間中簇間距離優(yōu)化的支持向量機(jī)(support vector machine,SVM)實(shí)現(xiàn)對軸承的故障診斷分類;文獻(xiàn)[5]使用經(jīng)驗(yàn)?zāi)B(tài)分解對齒輪減速器振動信號進(jìn)行人工特征提取,訓(xùn)練多類換能器SVM實(shí)現(xiàn)對齒輪減速器的故障診斷;文獻(xiàn)[6]對軸承振動信號進(jìn)行精細(xì)復(fù)合多尺度散布熵的多尺度分析,以精細(xì)復(fù)合多尺度散布熵值為特征向量,利用SVM實(shí)現(xiàn)對滾動軸承的診斷。上述機(jī)器學(xué)習(xí)方法雖然能夠根據(jù)人工提取的特征識別軸承故障類型,但是淺層結(jié)構(gòu)存在一定的局限性,限制了從輸入中學(xué)習(xí)更高級、更抽象信息的能力。文獻(xiàn)[7]提出深度學(xué)習(xí)理論,對原型自編碼器網(wǎng)絡(luò)進(jìn)行改進(jìn),解決了深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練難題,使其能夠從原始數(shù)據(jù)中獲取更為本質(zhì)、更加抽象的特征[8]。作為一種典型的深度學(xué)習(xí)網(wǎng)絡(luò)模型,堆棧稀疏自編碼器(stacked sparse autoencoder,SSAE)在故障診斷領(lǐng)域取得良好的識別效果。文獻(xiàn)[9]將S變換時頻分析提取的特征輸入到SSAE網(wǎng)絡(luò),實(shí)現(xiàn)了對軸承不同部位、不同損傷程度的故障診斷;文獻(xiàn)[10]利用Teager能量算子將信號解調(diào)后的TCO頻譜作為稀疏自編碼器(sparse autoencoder, SAE)的預(yù)處理方法,對在變轉(zhuǎn)速和變載荷情況下的軸承進(jìn)行故障診斷;文獻(xiàn)[11]使用Dropout技術(shù)對深層SAE網(wǎng)絡(luò)加以改進(jìn)優(yōu)化,實(shí)現(xiàn)了對電子電路故障模式的自動識別分類;文獻(xiàn)[12]提出一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解和SSAE的方法,用于滾動軸承故障的診斷。上述方法雖然可以起到較好的故障診斷效果,但都需要經(jīng)過繁瑣的手工調(diào)參和對比分析工作才能確定網(wǎng)絡(luò)超參數(shù),既增加了工作量，又難以確定最優(yōu)神經(jīng)網(wǎng)絡(luò)模型所需要的最優(yōu)參數(shù)。

本文提出一種基于天牛須搜索(beetle antennae search,BAS)優(yōu)化SSAE的可自適應(yīng)選取網(wǎng)絡(luò)稀疏懲罰因子的深度學(xué)習(xí)分類模型故障診斷方法用于軸承故障診斷分類。首先,將滾動軸承聲振信號時域、頻域和變分模態(tài)分解(variational mode decomposition,VMD)得到的IMF特征作為神經(jīng)網(wǎng)絡(luò)的輸入,同時引入BAS算法對神經(jīng)網(wǎng)絡(luò)的稀疏懲罰因子進(jìn)行自適應(yīng)選取以獲得理想的分類模型;其次,通過Softmax分類層實(shí)現(xiàn)對滾動軸承的故障診斷分類。實(shí)驗(yàn)結(jié)果表明,該深度學(xué)習(xí)方法具有很好的軸承診斷分類效果。

1 基本理論

1.1 自編碼器

自編碼器(autoencoder,AE)[13]是一種簡單的3層無監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示,它由輸入層、隱藏層和輸出層組成。

圖1 自編碼器網(wǎng)絡(luò)結(jié)構(gòu)

數(shù)據(jù)從輸入層到隱藏層的映射過程稱為編碼,從隱藏層映射到輸出層的過程稱為解碼。在編解碼過程中,利用重構(gòu)誤差函數(shù)使得輸出層數(shù)據(jù)等于輸入層數(shù)據(jù)。

假設(shè)給定輸入數(shù)據(jù)X=(x1,x2,…,xN),其中N為樣本個數(shù),將輸入數(shù)據(jù)通過非線性激活函數(shù)s()映射到隱含層,即

(1)

(2)

其中:x為原始數(shù)據(jù)的特征表達(dá);W1、W2為權(quán)重;b1、b2為偏置。激活函數(shù)s()均采用sigmoid函數(shù),定義為:

(3)

采用均方差函數(shù)(mean square error,MSE)作為自編碼器的損失函數(shù),則重構(gòu)誤差定義為:

(4)

為防止特征過多導(dǎo)致過擬合問題,在損失函數(shù)中加入L2正則化項(xiàng)以提高模型的泛化性能,則總損失函數(shù)定義為:

(5)

1.2 SAE

稀疏自編碼器SAE[14]是基于AE在隱含層神經(jīng)元加入系數(shù)約束,即在自編碼器的目標(biāo)函數(shù)上加上稀疏懲罰項(xiàng)。SAE可以學(xué)習(xí)原始數(shù)據(jù)中更抽象和更有代表性的壓縮特征,它提高了傳統(tǒng)自編碼器的性能,并顯示出更實(shí)際的應(yīng)用價(jià)值。

(6)

選擇KL(Kullback-Leibler)散度對網(wǎng)絡(luò)進(jìn)行稀疏限制,懲罰因子可以定義為:

(7)

其中：D為隱藏層神經(jīng)元的個數(shù);ρ為稀疏性系數(shù),是人工給定的接近0的值。SAE總的損失函數(shù)為:

Jsparse(W,b)=J(W,b)+βKL(ρ||ρk)

(8)

其中,β為稀疏懲罰因子,用于控制第1個重構(gòu)項(xiàng)與第2個懲罰項(xiàng)之間的相對性。

1.3 SSAE

堆棧稀疏自編碼器SSAE是由多個SAE串聯(lián)堆疊而成。作為一種典型的深度學(xué)習(xí)模型,SSAE能有效地解決特征冗余、高維特征的問題,同時SSAE還具有非線性表達(dá)能力強(qiáng)和泛化能力強(qiáng)等優(yōu)點(diǎn)[15]。

SSAE通過多個非線性隱含層對輸入特征重新學(xué)習(xí)獲得高級特征,使用反向傳播算法最小化損失函數(shù)來挖掘更深層、更具代表性的特征,最后通過連接在頂層的Softmax分類層實(shí)現(xiàn)故障的分類。

1.4 深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建

本文提出一種3層SAE和Softmax分類層來構(gòu)建SSAE深度神經(jīng)網(wǎng)絡(luò)分類模型。通過逐層貪婪無監(jiān)督學(xué)習(xí)的方式對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練,即先預(yù)訓(xùn)練SAE1,將其隱藏層輸出的特征作為SAE2的輸入數(shù)據(jù);然后對SAE2進(jìn)行預(yù)訓(xùn)練,將SAE2隱藏層輸出的特征作為SAE3的輸入數(shù)據(jù);最后將SAE3隱藏層的輸出特征作為Softmax分類層的輸入來實(shí)現(xiàn)故障分類。深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 SSAE-softmax深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

由(8)式SAE總的損失函數(shù)可知,SSAE網(wǎng)絡(luò)的輸出主要取決于訓(xùn)練樣本和稀疏懲罰因子β,則SSAE神經(jīng)網(wǎng)絡(luò)的輸出向量可表示為:

Y=f(X,βn)

(9)

其中:X為給定的輸入向量;βn(n=1,2,3)為每一層SAE的稀疏懲罰因子β1、β2、β3。

經(jīng)過逐層貪婪預(yù)訓(xùn)練后,此時分類模型輸出向量Pi為:

(10)

其中,Pi為輸入向量X隸屬于類別i(i=1,2,…,K)的概率。

為找到SSAE網(wǎng)絡(luò)最優(yōu)的稀疏懲罰因子βn,將驗(yàn)證集的預(yù)測輸出和對應(yīng)的類別標(biāo)簽之間的均方誤差值(EMS)作為評價(jià)模型分類效果的指標(biāo)。

(11)

其中:N為驗(yàn)證集中數(shù)據(jù)的個數(shù);K為類別數(shù);P(βn)為在給定參數(shù)βn下驗(yàn)證集的預(yù)測輸出;l為驗(yàn)證集的類別標(biāo)簽。

以P(βn)為自變量,EMS為目標(biāo)函數(shù),建立SSAE分類模型參數(shù)尋優(yōu)數(shù)學(xué)模型。該數(shù)學(xué)模型的數(shù)學(xué)表達(dá)式為:

(12)

其中:約束條件為給定的自變量取值范圍。數(shù)學(xué)模型的本質(zhì)是求解目標(biāo)函數(shù)在最小值處對應(yīng)的自變量的值。

1.5 BAS優(yōu)化算法

天牛須搜索BAS[16]又名甲殼蟲須搜索,是一種高效的智能優(yōu)化算法,可用于多目標(biāo)函數(shù)優(yōu)化等問題,具有計(jì)算參數(shù)少、運(yùn)算量小、收斂速度快、全局尋優(yōu)等特點(diǎn)。其算法原理為:天牛在覓食時,會根據(jù)左、右兩須接收食物氣味的強(qiáng)弱來判斷食物的位置;如果左須接收的食物氣味大于右須,那么天牛便會向左移動,反之向右移動。根據(jù)這一簡單的原理,天牛便可獲得食物。這里食物氣味的強(qiáng)弱可作為適應(yīng)度函數(shù)f(x)。

BAS算法具體步驟如下:

假設(shè)天牛在第t次搜索食物后質(zhì)心空間位置為xt;天牛左、右兩須之間的距離d與天牛步長s之比為一常數(shù)c,即d=cs;天牛在每一次搜索后頭的朝向都是隨機(jī)的,用隨機(jī)向量r=rands(n,1)來表示,其中,n為位置x的維度,并用下式對r做歸一化處理,即

(13)

天牛左、右兩須質(zhì)點(diǎn)空間位置分別用xl、xr表示:

(14)

(15)

開始搜索時,為避免落入局部最優(yōu)值點(diǎn),天牛步長s的值應(yīng)大一些,隨著搜索次數(shù)的增加,s的值應(yīng)逐漸減小,以保證能獲得最優(yōu)解。

根據(jù)適用度函數(shù)計(jì)算出天牛左、右兩須接收食物的氣味濃度f(xr)、f(xl),通過下式迭代更新天牛的質(zhì)心空間位置，即

xt+1=xt+sthsign(f(xr)-f(xl))

(16)

其中:sign()為符號函數(shù);s的值隨著迭代次數(shù)的增加而逐漸減小,即

st=0.98st-1

(17)

1.6 BAS算法優(yōu)化深度神經(jīng)網(wǎng)絡(luò)分類模型

使用BAS優(yōu)化算法對深度神經(jīng)網(wǎng)絡(luò)故障分類模型稀疏懲罰因子進(jìn)行尋優(yōu)。具體過程如下:

(1)建立深度神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。

(3)通過歸一化隨機(jī)搜索方向h計(jì)算天牛左、右兩須質(zhì)心的空間坐標(biāo)xl和xr,其中xl=(β1l,β2l,β3l),xr=(β1r,β2r,β3r)。

(4)以(11)式的結(jié)果作為BAS優(yōu)化算法的適應(yīng)度值,即fitness值為EMS。將上一步計(jì)算得到的xl、xr作為SSAE的稀疏懲罰因子,同時使用訓(xùn)練集對深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,并用驗(yàn)證集計(jì)算BAS優(yōu)化算法的fitness。

(5)根據(jù)(16)式、(17)式對天牛的位置x進(jìn)行更新。

(6)重復(fù)步驟(3)～步驟(5),迭代循環(huán)20次,搜尋SSAE的最優(yōu)稀疏懲罰因子。

(7)以最優(yōu)稀疏懲罰因子建立深度神經(jīng)網(wǎng)絡(luò)分類模型。

2 試驗(yàn)驗(yàn)證

2.1 軸承數(shù)據(jù)采集

采用合肥工業(yè)大學(xué)航空發(fā)動機(jī)主軸軸承試驗(yàn)機(jī)對不同類別故障軸承進(jìn)行試驗(yàn)。試驗(yàn)平臺的布置如圖3所示。

圖3 軸承信號采集試驗(yàn)裝置

試驗(yàn)使用PCB三向加速度傳感器,通過LMS Test.Lab軟件中的Signature Acquisition模塊對故障軸承振動信號進(jìn)行數(shù)據(jù)采集,采樣頻率設(shè)置為20 480 Hz。

為得到滾動軸承不同的故障類型數(shù)據(jù),對軸承進(jìn)行不同損傷點(diǎn)的加工:內(nèi)圈采用激光加工;外圈和滾子采用線切割加工。加工出的軸承不同位置故障實(shí)際效果圖如圖4所示。其中,圖4c和圖4d中的軸承類型分別為NU1010EM型和N1010EM型。

圖4 軸承不同位置故障實(shí)際效果圖

根據(jù)軸承損傷位置和損傷程度的不同,現(xiàn)將軸承試驗(yàn)數(shù)據(jù)分為9類故障類型。采用one-hot編碼構(gòu)建不同故障種類的類別標(biāo)簽。9類軸承故障具體參數(shù)描述見表1所列。

表1 滾動軸承故障類型及參數(shù)

根據(jù)軸承轉(zhuǎn)速和施加載荷的不同,將采集到的軸承振動信號分為8種工況,各工況的描述見表2所列。

表2 工況參數(shù)

2.2 數(shù)據(jù)集構(gòu)建

按上述8種工況類別劃分并構(gòu)建樣本集:將PCB三向加速度傳感器y通道采集的軸承數(shù)據(jù)劃分為300個樣本,每個樣本2 048個采樣點(diǎn)。將樣本集分別進(jìn)行時域、頻域和變分模態(tài)分解VMD[17]后的IMF特征提取。

作為一種自適應(yīng)信號處理方法,VMD在信號分解精度和噪聲魯棒性方面具有明顯的優(yōu)勢[18]。對原始振動信號采用VMD進(jìn)行自適應(yīng)分解,得到多個IMF。通過計(jì)算各IMF的譜相關(guān)系數(shù)來確定分解層數(shù)k,具體方法如下:計(jì)算各IMF的譜相關(guān)系數(shù)ρ1,ρ2,…,ρk,其中,ρi(1

(17)

其中:|Pk|為原始信號傅里葉變換的模;|Q|為第k個IMF分量的傅里葉變換的模。

按照以下步驟構(gòu)建數(shù)據(jù)集:

(1)統(tǒng)計(jì)滾動軸承各故障類別樣本的10個時域特征,即均值、均方根值、方差、峰值、波峰因子、裕度因子、脈沖系數(shù)、形狀系數(shù)、偏度和峭度。

(2)統(tǒng)計(jì)滾動軸承各故障類別樣本的4個頻域特征，即平均頻率、重心頻率、頻率均方根、頻率標(biāo)準(zhǔn)差。

(3)對滾動軸承各故障種類的樣本進(jìn)行VMD分解,分解層數(shù)k均為3,統(tǒng)計(jì)每個IMF的均值、均方根值、方差、峰值、波峰因子、裕度因子、脈沖系數(shù)、形狀系數(shù)、偏度和峭度,得到由VMD分解的30個IMF分量特征。

(4)將上述獲得的44個特征進(jìn)行z-score標(biāo)準(zhǔn)化處理后作為深度神經(jīng)網(wǎng)絡(luò)模型的輸入向量。

按照上述步驟依次對采集到的樣本集數(shù)據(jù)進(jìn)行處理,并將各工況下的數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。

2.3 數(shù)據(jù)集的選取

隨機(jī)抽取工況1、3、5、7中每種故障類型數(shù)據(jù)的70%作為訓(xùn)練集,20%作為驗(yàn)證集,10%作為測試集(記為測試集0)。訓(xùn)練集、驗(yàn)證集和測試集中的數(shù)據(jù)均不重復(fù)。分別隨機(jī)抽取工況2、4、6、8中每種故障類型數(shù)據(jù)的10%、20%、30%、40%、50%、60%、70%、80%、90%、100%的數(shù)據(jù)構(gòu)建10個不同樣本量的測試集，將其分別記為測試集1～測試集10,用來驗(yàn)證構(gòu)造的深度神經(jīng)網(wǎng)絡(luò)模型在不同載荷以及不同測試樣本量下的故障診斷能力。

2.4 SSAE網(wǎng)絡(luò)超參數(shù)的選取

本文提出一種3層SAE和Softmax分類層來構(gòu)建深度神經(jīng)網(wǎng)絡(luò)分類模型。SSAE深度網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)設(shè)置見表3所列。SEA1、SEA2和SEA3的稀疏懲罰因子由BAS算法自適應(yīng)選取。

表3 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置

2.5 試驗(yàn)結(jié)果

使用BAS算法對SSAE稀疏懲罰因子進(jìn)行自適應(yīng)選取,其迭代次數(shù)與模型驗(yàn)證誤差的關(guān)系如圖5所示。

由圖5可知,迭代至15次時,模型驗(yàn)證誤差便降到一個較低值,此時獲得的稀疏懲罰因子最優(yōu)組合為(4.17,4.13,6.46)。將得到的稀疏懲罰因子最優(yōu)組合值代入神經(jīng)網(wǎng)絡(luò)中,用不同的測試集驗(yàn)證模型的故障診斷分類能力。

圖5 驗(yàn)證誤差與迭代次數(shù)的關(guān)系

用測試集0驗(yàn)證使用BAS算法自適應(yīng)選取網(wǎng)絡(luò)稀疏懲罰因子后得到的最優(yōu)深度神經(jīng)網(wǎng)絡(luò)模型的故障診斷分類能力,結(jié)果如圖6所示。

觀察圖6混淆矩陣可知,模型的預(yù)測準(zhǔn)確率為98.9%,僅存在少量的第5類故障數(shù)據(jù)被劃分到第8類故障類型中,這是由于第5類和第8類故障中都包含外圈故障點(diǎn)數(shù)據(jù),在特征分類過程中出現(xiàn)少量的錯誤分類現(xiàn)象。上述結(jié)果表明:在平穩(wěn)載荷下,該深度神經(jīng)網(wǎng)絡(luò)模型具有很好的故障診斷分類能力。

圖6 平穩(wěn)載荷下模型故障分類結(jié)果

使用測試集1～測試集10驗(yàn)證構(gòu)造的深度神經(jīng)網(wǎng)絡(luò)模型在不同載荷以及不同測試樣本量下故障診斷能力，結(jié)果如圖7所示。

由圖7可知,在不同載荷情況下，不同測試樣本量的測試集分類準(zhǔn)確率均高于98.0%,測試集2的分類準(zhǔn)確率高達(dá)99.6%,測試集3和測試集5的分類準(zhǔn)確率高達(dá)99.4%。該數(shù)據(jù)表明,通過BAS算法優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)模型在不同載荷和不同測試數(shù)據(jù)量下具有良好的故障診斷能力。

圖7 不同測試集分類準(zhǔn)確率

2.6 方法對比

為了驗(yàn)證使用BAS算法優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)模型的有效性,將提出的算法與隨機(jī)參數(shù)SSAE模型、SAE模型以及傳統(tǒng)智能診斷方法K最近鄰(K-nearest neighbor,KNN)和SVM進(jìn)行對比。使用訓(xùn)練集對上述網(wǎng)絡(luò)進(jìn)行訓(xùn)練,分別用測試集1～測試集10對訓(xùn)練好的模型進(jìn)行驗(yàn)證。隨機(jī)參數(shù)SSAE模型中除了稀疏懲罰因子使用隨機(jī)參數(shù)外,其他參數(shù)設(shè)置均與本文所提出的模型一致。SAE模型的參數(shù)設(shè)置如下:隱藏層神經(jīng)元數(shù)量設(shè)置為9,最大迭代次數(shù)設(shè)置為150次,L2正則化系數(shù)設(shè)置為0.002,稀疏性系數(shù)設(shè)置為0.3,系數(shù)懲罰因子采用隨機(jī)參數(shù),Softmax分類層最大迭代次數(shù)設(shè)置為100次;KNN中K值設(shè)置為2;SVM采用徑向基函數(shù)(radial basis function,RBF)作為其核函數(shù),核函數(shù)參數(shù)設(shè)置為0.3,懲罰因子設(shè)置為1.2。

故障分類結(jié)果如圖10所示。10種測試集的平均分類準(zhǔn)確率見表4所列。

表4 測試集平均分類準(zhǔn)確率

由圖8、表4可知,5種模型的分類準(zhǔn)確率均在90%以上,其中最高分類準(zhǔn)確率為99.6%(參數(shù)優(yōu)化SSAE模型),最低分類準(zhǔn)確率為90.2%(SAE模型),這表明本文提出的在時域、頻域和IMF下特征提取方法有效,即通過以上特征提取方法可以很好地提取不同故障類型的特征。通過對比5種模型的分類準(zhǔn)確率可知,深度神經(jīng)網(wǎng)絡(luò)模型(參數(shù)優(yōu)化SSAE模型和隨機(jī)參數(shù)SSAE模型)的故障分類準(zhǔn)確率要高于其他淺層網(wǎng)絡(luò)模型(SAE、KNN、SVM),但由于隨機(jī)參數(shù)SSAE模型和SAE模型的稀疏懲罰因子均采用隨機(jī)參數(shù),導(dǎo)致2個模型在不同測試集下的分類準(zhǔn)確率有一定的波動。

圖8 不同算法分類準(zhǔn)確率

綜上說明,本文提出的采用BAS算法優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)模型在不同載荷以及不同測試數(shù)據(jù)量下具有良好的故障診斷能力。

3 結(jié) 論

本文提出了一種基于BAS優(yōu)化SSAE的軸承故障診斷方法。通過試驗(yàn)分析和對比試驗(yàn)結(jié)果可知:

(1)利用時域、頻域和IMF方法對軸承原始信號進(jìn)行特征提取,可以保留原始數(shù)據(jù)中豐富的故障信息。

(2)通過BAS算法自適應(yīng)地選取SSAE的稀疏懲罰因子,使建立的深度神經(jīng)網(wǎng)絡(luò)模型具有良好的軸承故障診斷分類效果。

(3)該模型不僅在平穩(wěn)載荷下對滾動軸承具有很好的故障診斷分類能力,而且在時變非平穩(wěn)性載荷以及不同測試數(shù)據(jù)量下仍具有較好的故障分類效果。

(4)相較于隨機(jī)參數(shù)SSAE模型、SAE模型以及傳統(tǒng)智能診斷方法KNN和SVM,本文所提方法在滾動軸承故障診斷方面具有更高的分類準(zhǔn)確率。