CN113176093A - 基于isca-sdae的滚动轴承故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种基于ISCA‑SDAE的滚动轴承故障诊断方法，包括：对电机滚动轴承故障数据做归一化处理；参数初始化；根据ISCA粒子值更新公式更新粒子值；检查种群中粒子值是否在搜索范围内，若在搜索范围内则计算分类错误率，筛选出最小分类错误率，以其对应粒子值作为当前解

输出优化后的堆叠降噪自动编码器SDAE网络超参数；将具有最小分类错误率的粒子值带入堆叠降噪自动编码器SDAE相应的参数中，利用Soft‑max分类器进行分类，得到测试集故障分类结果。本发明还公开了一种基于ISCA‑SDAE的滚动轴承故障诊断系统。本发明具有较好的特征学习能力，具有更强的鲁棒性和泛化能力，通过均衡遍历性强，收敛效率高的ISCA优化SDAE深度网络结构的超参数，从而最终提升故障分类的准确率。

Description

基于ISCA-SDAE的滚动轴承故障诊断方法及系统

技术领域

本发明涉及电机滚动轴承故障诊断技术领域，尤其是一种基于ISCA-SDAE的滚动轴承故障诊断方法及系统。

背景技术

滚动轴承作为电机的重要组成部分，被广泛应用于工业生产中。在电机的长期运行过程中，滚动轴承的内圈、滚动体和外圈上极易发生故障，其将直接影响到电机的性能，甚至会造成电机功能失效、引发经济损失或人员伤亡等严重后果。因此，深入研究滚动轴承的故障诊断方法，对于电机的安全性和可靠性具有重要意义。

基于人工智能的故障诊断方法，已经广泛应用于滚动轴承的故障诊断并取得一定的成果。目前，滚动轴承故障诊断大多是通过对各种状态参数的监测和分析来判断其运行状态，确定故障位置和磨损程度。一般轴承故障诊断可通过振动信号的采集、特征提取和分类来完成。利用小波变换能够获得较理想的信号分解结果，从而实现准确率更高的故障诊断；集合经验模态分解方法在抑制模态混淆和故障诊断方面较原始方法有一定优势。然而，传统的线性参数提取方法存在难以从滚动轴承振动信号中提取出丰富的故障特征问题。支持向量机在少量样本情况下仍能有效地对轴承故障类型进行识别，但采用监督式学习的训练模式不能广泛的应用于所有故障诊断背景，而且浅层网络所提取的信号特征不明显，会影响分类结果的准确率。

自动编码器是在无监督的情况下对样本数据通过编码和解码最后完成重现的过程，以其输出数据与样本数据的误差对网络权重和偏置做出调整，目的是在隐含层找到样本数据的另外一种特征明显的表达方式，实际上是对大数据的特征提取。降噪自动编码器是在自动编码器的网络结构基础上对输入样本数据添加噪声，然后将添加噪声的受损信号输送到自动编码器中，让其学习原始输入信号的特征，使学习得到的编码器具有更强的适应性，从而增强了模型的泛化能力，同时可以防止过拟合。堆叠降噪自动编码器是由若干个降噪自动编码器堆叠而成，构成一种深度学习的网络结构，经过深层的非线性映射能够得到样本数据更加高阶的隐含特征。

在实际应用中，堆叠降噪自动编码器网络结构参数的选取将直接影响其分类性能，如网络的隐含层节点数、稀疏参数及输入数据随机置零比例等超参数。目前，在选取堆叠降噪自动编码器超参数时应用的方法大多是经验枚举法，通过不断尝试多种组合来获得其中较优的一组超参数，对于特定的故障诊断问题则需要进行专门的超参数测试选取，对于不同领域的故障分类问题，选取的超参数泛化性能较弱；利用粒子群算法进行超参数寻优存在易陷入局部最优解，遍历效果差的问题。而对于普通的正余弦算法，当全局搜索过多时，运动会特别慢；局部挖掘过多时，容易陷入最优解。

正余弦算法是一种新型的元启发式算法，它是建立在正弦余弦函数上的自组织和群智能基础上的数值优化计算方法。正余弦算法需要设置的参数少，只有种群大小和迭代次数，而且还具有结构简单、易于实现和收敛速度快的突出优势。正余弦算法中有局部挖掘和全局搜索两部分，这两个部分相互促进又相互矛盾，全局搜索用于快速定位最优解范围，局部挖掘用于寻找最优解，这两者必须达到平衡状态。

在现有滚动轴承故障诊断算法中并没有利用改进后的正余弦算法对堆叠降噪自动编码器的相关介绍。由于轴承故障振动信号存在噪声干扰，导致特征提取困难，引入基于堆叠降噪自动编码器的无监督自学习特征提取方法。但其诊断性能对超参数取值敏感，为进一步提升其诊断效果，提出在正余弦算法粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化，从而构建均衡遍历性强、收敛效率高的改进正余弦算法。

发明内容

本发明的首要目的在于提供一种泛化性能好、诊断准确率高、鲁棒性强的基于ISCA-SDAE的滚动轴承故障诊断方法。

为实现上述目的，本发明采用了以下技术方案：一种基于ISCA-SDAE的滚动轴承故障诊断方法，该方法包括下列顺序的步骤：

(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；

(2)参数初始化；

(3)根据ISCA粒子值更新公式更新粒子值；

(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassification rate(i)，以其对应粒子值作为当前解

(5)判断最小分类错误率Misclassification rate(i)<error或t>T是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自动编码器SDAE网络超参数，否则转到步骤(3)，t＝t+1，循环执行步骤(3)和步骤(4)，直到满足判别条件，退出循环；所述error为目标分类错误率，t为当前迭代次数，T为最大迭代次数；

(6)将上述步骤中具有最小分类错误率的粒子值带入堆叠降噪自动编码器SDAE相应的参数中，并利用Soft-max分类器对其结果进行分类，最终得到测试集故障分类结果。

所述步骤(2)中初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、目标分类错误率error、搜索空间上边界ub、搜索空间下边界lb、初始解的值X⁰、随机数r₁、r₂、r₃、r₄，根据设置的粒子取值范围初始化粒子的值，计算初始值的分类错误率，并寻找初代粒子种群中具有最小分类错误率的粒子作为当前解，记录最小分类错误率Misclassification rate(i)及当前解的值X¹。

所述步骤(3)具体是指：

式中，r₁是随机数，决定了下一次迭代时的位置或移动方向；r₂是[0,π]之间的随机数，决定当前移动的步进值；r₃是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是加强或是削弱步进值对目标解的影响；r₄是[0,1]中的随机数，r₄表示如何在上式中的正弦和余弦分量之间做出选择，当r₄<0.5时按正弦公式迭代，当r₄≥0.5时按余弦公式迭代；w为非线性惯性权重；p_i ^t表示在t次迭代时最优个体位置变量的第i维的位置。

在r₁中加入控制参数余弦变化，其表达式为：

式中，a为常数，a＝2，t为当前迭代次数，T为最大迭代次数。

在ISCA粒子值更新公式中引入非线性惯性权重，其表达式为：

式中：最大权重因子W_max＝0.9，最小权重因子W_min＝0.4。

本发明的另一目的在于提供一种基于ISCA-SDAE的滚动轴承故障诊断方法的系统，包括：

信号源，采用电机滚动轴承，在测量电机振动时，配合电机测试台架，利用电机测试台架模拟各种工况，在不同工况下监测并记录振动信号；

传感器监测节点，由ICM20948振动加速度传感器和MC13224无线传输模块组成，用于采集现场各电机滚动轴承振动信号及将采集到的信号无线传输到树莓派3B+主控节点进行故障诊断；

树莓派3B+主控节点，采用树莓派3B+型，采用ARM A53处理器，搭载Linux操作系统，对接收到的振动信号进行数据归一化处理以及数据分流，最终利用基于ISCA-SDAE的滚动轴承故障诊断方法实现故障诊断，用C#完成设备界面开发，采用IPS显示屏实现人机交互，用MC13224无线传输模块进行数据传输；

传感器监测节点和树莓派3B+主控节点采用MC13224作为无线传输模块，基于ZigBee协议实现无线传感器自组网及管理功能，各传感器监测节点在ZigBee网络中作为路由器对采集到的电机滚动轴承振动信号数据进行无线传输，通过树莓派3B+主控节点进行故障诊断，诊断完成后点亮树莓派显示界面的对应电机滚动轴承状态指示灯。

由上述技术方案可知，本发明的有益效果为：第一，本发明不仅具有较好的特征学习能力，而且相较于普通的SAE学习的特征具有更强的鲁棒性和泛化能力，并且通过均衡遍历性强，收敛效率高的ISCA优化SDAE深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的准确率。第二，使用本发明的方法进行轴承故障处理，实现了高准确率的轴承故障诊断，其准确率均达到98％以上。第三，与未经SCA优化的SDAE相比，本发明对轴承故障分类的准确率有较大提升，对滚动轴承的智能故障诊断具有重要的意义。

附图说明

图1为本发明的方法流程图；

图2为SDAE的原理图；

图3为SCA算法粒子位置更新原理图；

图4为r₁的变化趋势；

图5为r₁sinr₂和r₁cosr₂的波动范围；

图6为本系统的硬件结构示意图；

图7为电机轴承故障诊断系统诊断结果界面图；

图8为电机轴承故障诊断系统振动信号波形图；

图9为本发明预测分类图；

图10为故障样本波形图；

图11为不同优化算法的损失率变化曲线。

具体实施方式

如图1所示，一种基于ISCA-SDAE的滚动轴承故障诊断方法，该方法包括下列顺序的步骤：

(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；

(2)参数初始化；

(3)根据ISCA粒子值更新公式更新粒子值；

(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassification rate(i)，以其对应粒子值作为当前解

(5)判断最小分类错误率Misclassification rate(i)<error或t>T是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自动编码器SDAE网络超参数，否则转到步骤(3)，t＝t+1，循环执行步骤(3)和步骤(4)，直到满足判别条件，退出循环；所述error为目标分类错误率，t为当前迭代次数，T为最大迭代次数；

(6)将上述步骤中具有最小分类错误率的粒子值带入堆叠降噪自动编码器SDAE相应的参数中，并利用Soft-max分类器对其结果进行分类，最终得到测试集故障分类结果。

所述步骤(2)中初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、目标分类错误率error、搜索空间上边界ub、搜索空间下边界lb、初始解的值X⁰、随机数r₁、r₂、r₃、r₄，根据设置的粒子取值范围初始化粒子的值，计算初始值的分类错误率，并寻找初代粒子种群中具有最小分类错误率的粒子作为当前解，记录最小分类错误率Misclassification rate(i)及当前解的值X¹。

所述步骤(3)具体是指：

式中，r₁是随机数，决定了下一次迭代时的位置或移动方向；r₂是[0,π]之间的随机数，决定当前移动的步进值；r₃是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是加强(r₃>1)或是削弱(r₃<1)步进值对目标解的影响；r₄是[0,1]中的随机数，r₄表示如何在上式中的正弦和余弦分量之间做出选择，当r₄<0.5时按正弦公式迭代，当r₄≥0.5时按余弦公式迭代；w为非线性惯性权重；p_i ^t表示在t次迭代时最优个体位置变量的第i维的位置。

在r₁中加入控制参数余弦变化，其表达式为：

式中，a为常数，a＝2，t为当前迭代次数，T为最大迭代次数。

在ISCA粒子值更新公式中引入非线性惯性权重，其表达式为：

式中：最大权重因子W_max＝0.9，最小权重因子W_min＝0.4。

如图6所示，本系统包括：

信号源，采用电机滚动轴承，在测量电机振动时，配合电机测试台架，利用电机测试台架模拟各种工况，在不同工况下监测并记录振动信号；

传感器监测节点，由ICM20948振动加速度传感器和MC13224无线传输模块组成，用于采集现场各电机滚动轴承振动信号及将采集到的信号无线传输到树莓派3B+主控节点进行故障诊断；

树莓派3B+主控节点，采用树莓派3B+型，采用ARM A53处理器，搭载Linux操作系统，对接收到的振动信号进行数据归一化处理以及数据分流，最终利用基于ISCA-SDAE的滚动轴承故障诊断方法实现故障诊断，用C#完成设备界面开发，采用IPS显示屏实现人机交互，用MC13224无线传输模块进行数据传输；

传感器监测节点和树莓派3B+主控节点采用MC13224作为无线传输模块，基于ZigBee协议实现无线传感器自组网及管理功能，各传感器监测节点在ZigBee网络中作为路由器对采集到的电机滚动轴承振动信号数据进行无线传输，通过树莓派3B+主控节点进行故障诊断，诊断完成后点亮树莓派显示界面的对应电机滚动轴承状态指示灯。

以下结合图1至图11对本发明作进一步的说明。

1、对自动编码器(Auto Encoder，AE)、降噪自动编码器(Denoising AutoEncoder，DAE)的说明：

自动编码器AE是一种无监督学习，通过对输入数据的编码和解码过程得到表征输入数据的隐含层特征，从而达到降维及提升数据分类效果的目的，而降噪自动编码器DAE在AE的基础上，对训练数据加入噪声，AE必须学习去去除这种噪声而获得真正的没有被噪声污染过的输入。因此，这就迫使编码器去学习输入信号的更加稳定的表达，这也是它的泛化能力比一般AE强的原因。本方法中采用的即为多个DAE叠加的SDAE模型，结构见图2所示。

2、对基于SDAE模型深度学习的预训练过程和微调过程的说明：

a、预训练

编码时将符合统计特性的噪声加入样本数据进行编码，解码时再从未受干扰的数据中估计出加噪输入的原始形式。第一级降噪自动编码器的隐含层输出经过“加噪”损伤作为第二级降噪自动编码器的输入，第二级降噪自动编码器的隐含层输出“加噪”损伤作为第三级降噪自动编码器的输入，以此类推；通过对振动数据的逐层学习完成深度神经网络预训练。

为了使每个隐含层输出尽可能的表示输入的模式，采用梯度下降算法，通过不断的修正权重参数D，W使得代价函数最小：

式中，第一项和第二项为编码过程，第三项为解码过程，D_i+1,W_i+1,x_i,z_i+1分别代表第i个隐含层的编码权重，解码权重，第i个隐含层的输入，第i个隐含层的输出(第i+1隐含层的输入)，当i＝0时，x₀＝1，λ用于控制稀疏惩罚项的相对重要性，(z_i+1)²为L2范数，用于控制输出的稀疏程度，σ为Sigmoid激活函数，表达式如下：

b、微调

在完成SDAE的预训练后，所得SDAE网络的参数以及Soft-max分类器的参数作为网络的初始参数，这些参数可以看做接近全局最优的网络参数采用梯度下降算法可对网络的全部参数再次更新来改善整个模型的分类效果，此过程称为“微调”。

应用梯度下降算法进行微调时，算法的流程如下：

对输出层

的每一个节点i，残差公式为：

对于隐含层l＝n₁-1,n₂-1,…,2，其残差表达式为：

式中，

为第i个节点的残差；z_i为第i-1个隐含层的输出；n_i为隐含层数；y_i是数据集中每个样本的实际值；h_w,b(x)是预测函数；β和ρ为常参数；

进行参数更新：

式中，

为解码权重；

为偏置；J_sparse(W,b；x,y)为代价函数；η学习速率，即步长。

3、对在本发明中所用ISCA的说明

正余弦算法(Sine Cosine Algorithm，SCA)是一种新型的元启发式算法，它是建立在正弦余弦函数上的自组织和群智能基础上的数值优化计算方法，已经成功应用于许多研究领域，其原理图如图3所示。ISCA在SCA粒子值更新公式中引入非线性惯性权重并对控制参数加入余弦变化，克服了SCA易出现早熟收敛等缺点，平衡全局搜索和局部寻优，具有收敛速度快和收敛精度高的优势。

文中将SDAE诊断分类错误率作为SDAE网络超参数(隐含层节点数、隐含层的稀疏参数和输入数据的置零比例)的多模态函数，通过ISCA对SDAE网络超参数自适应的选取，根据分类错误率的最小值来确定优化的网络超参数，从而得到适用于滚动轴承故障诊断的ISCA-SDAE深度神经网络模型。

更新每个粒子的位置公式如下：

式中，r₁是随机数，决定了下一次迭代时的位置(或移动方向)；r₂是[0,π]之间的随机数，决定当前移动的步进值；r₃是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是加强(r₃>1)或是削弱(r₃<1)步进值对目标解的影响；r₄是[0,1]中的随机数，r₄表示如何在上式中的正弦和余弦分量之间做出选择，当r₄<0.5时按正弦公式迭代，当r₄≥0.5时按余弦公式迭代。

采用改进的正余弦算法，r₁对算法的收敛性和平衡性具有重要影响。一方面，仅当r₁>1时，r₁sinr₂或r₁cosr₂的值才有机会落在区间[-1,1]外部，迭代应用于全局搜索，这有可能会影响算法逃离局部最优的能力；另一方面，若r₁后期无法收敛到零，或者收敛速度较慢，使当前最优解在迭代中一直被保留而缺失了一定的震荡性，算法对全局最优解及其邻域的搜索效率会下降，严重影响算法后期的收敛性和准确性。为了保证算法的多样性及收敛性，遍历搜索空间内所有区域，并最终收敛到最优解，在r₁中加入控制参数余弦变化，其表达式为：

式中，a为常数，一般a＝2，t为当前迭代次数，T为最大迭代次数。改进后的r₁变化趋势如图4所示，由图可以看出改进后的r₁在迭代前期较大并缓慢减小，确保算法能够充分进行全局搜索，增强算法的多样性；在迭代后期迅速减小，确保算法能够精确的进行局部寻优，提高算法的收敛性。此时，r₁sinr₂和r₁cosr₂的波动范围如图5所示。

在寻优算法收敛过程中，恒定的惯性权重难以平衡全局搜索和局部寻优之间的矛盾，因此，提出在SCA粒子值更新公式中引入非线性惯性权重，其表达式为：

式中：最大权重因子W_max＝0.9，最小权重因子W_min＝0.4。非线性惯性权重随着迭代次数的增加而非线性递减，使改进后的算法在初期有较大的惯性权重，保持了较强的震荡随机性和搜索能力；在后期具有较小的惯性权重，强调算法的开发能力，增强算法精确性。

实施例一：

(1)实验数据

获取数据集，由振动加速度传感器ICM20948对电机滚动轴承的七种振动信号进行采集，将采集到的数据通过无线传输模块输入到树莓派3B+中，获得电机振动信号数据集，图7为本发明对电机轴承故障诊断系统诊断结果界面图，若电机状态为正常，则电机滚动轴承故障诊断系统界面状态类型显示灯为绿色；若电机存在故障点，则电机滚动轴承故障诊断系统界面状态类型显示灯为红色。图8为电机轴承故障诊断系统振动信号波形界面图用于实现电机轴承振动信号的波形显示及各电机历史振动数据读取；所述电机滚动轴承故障振动信号类型及编码如表1所示；无线传输模块采用MC13224无线ZigBee射频模块；将振动信号数据划分为训练集样本和测试集样本对粒子编码时，设定每一个粒子是一个七维向量，即(X_i1，X_i2，X_i3，X_i4，X_i5，X_i6，X_i7),其中X_i1，X_i2和X_i3分别是是三个隐含层节点数，X_i4，X_i5和X_i6分别是各个隐含层的稀疏参数，X_i7是输入样本数据的置零比例，对于轴承的故障诊断实际上就是对故障类型的状态码进行识别分类的过程，如表1所示为轴承故障类型及编码。

表1轴承故障类型及编码

由各种状态下滚动轴承振动信号的波形图可以看出不同故障类型的波形存在一定的差异。当滚动轴承出现故障时，振动信号含有一定的冲击成分，但七种状态下的时域波形均含有较多噪声，甚至部分冲击被淹没在噪声中。复杂的振动冲击情况，使得故障状态下的振动信号波形相似难以区分。

(2)正余弦算法优化堆叠降噪自动编码器网络的训练过程

表2SCA优化SDAE的网络结构超参数

所述轴承故障诊断方法是一种基于正余弦算法SCA的SDAE网络超参数选取方法，对SDAE网络训练来自适应选取网络的隐含层节点数、隐含层的稀疏参数和输入样本数据的置零比例，构建了SDAE轴承故障诊断模型。LAROCHELLE等通过实验表明随着堆叠降噪自动编码器隐含层数的增加，分类错误率会下降，但当隐含层数增加至四层及以上时，模型的分类错误率会上升而且泛化性能下降。因此，这里针对电机滚动轴承诊断问题，选择3个DAE堆叠组成SDAE网络，并对其进行参数优化。对电机滚动轴承故障样本数据做归一化处理，并将其划分为700组训练集样本和140组测试集样本，SCA优化堆叠降噪自动编码器后的网络结构超参数如表2所示。

(3)分类效果

图9为优化后的堆叠降噪自动编码器网络对于滚动轴承故障诊断后的分类情况，图中所示实验结果的准确率为99.2857％，在诊断结果中仅有一个样本出现分类错误，即故障类型7(故障直径为0.5334mm的外圈故障)的样本被错分到故障类型3(故障直径为0.3556mm的外圈故障)中。如图10所示为故障类型3中任意一样本和故障类型7中错分样本的波形图：分析波形图可知，故障类型7中错分样本数据特征与故障类型3的数据集特征非常相似，因此导致该样本被错分到故障类型3中。

图11为不同优化算法的损失率变化曲线，由图可知，经过ISCA优化的SDAE在电机滚动轴承故障分类实验中不仅明显展现出更高的分类准确率，收敛更快，诊断结果更加平稳，而且相对于SCA优化的SDAE和未经优化的SDAE实验结果有明显的提升，说明利用ISCA对SDAE进行参数寻优所构造的模型具有更好的故障诊断性能。

综上所述，本发明不仅具有较好的特征学习能力，而且相较于普通的SAE学习的特征具有更强的鲁棒性和泛化能力，并且通过均衡遍历性强，收敛效率高的ISCA优化SDAE深度网络结构的超参数，构建了具有多隐含层的SDAE诊断模型，从而最终提升故障分类的准确率。

Claims (6)

1.一种基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：该方法包括下列顺序的步骤：

(1)对电机滚动轴承故障数据做归一化处理，并将其按照2:1将样本数据划分为训练集和测试集；

(2)参数初始化；

(3)根据ISCA粒子值更新公式更新粒子值；

(4)检查种群中粒子值是否在搜索范围内，若不在搜索范围内则跳转至步骤(3)，若在搜索范围内则计算分类错误率，并与历史分类错误率值作比较，筛选出最小分类错误率Misclassification rate(i)，以其对应粒子值作为当前解

(5)判断最小分类错误率Misclassification rate(i)<error或t>T是否满足，如果满足判别条件，则退出循环，输出优化后的堆叠降噪自动编码器SDAE网络超参数，否则转到步骤(3)，t＝t+1，循环执行步骤(3)和步骤(4)，直到满足判别条件，退出循环；所述error为目标分类错误率，t为当前迭代次数，T为最大迭代次数；

(6)将上述步骤中具有最小分类错误率的粒子值带入堆叠降噪自动编码器SDAE相应的参数中，并利用Soft-max分类器对其结果进行分类，最终得到测试集故障分类结果。

2.根据权利要求1所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：所述步骤(2)中初始化的参数包括：最大迭代次数T、当前迭代次数t、种群个数N、目标分类错误率error、搜索空间上边界ub、搜索空间下边界lb、初始解的值X⁰、随机数r₁、r₂、r₃、r₄，根据设置的粒子取值范围初始化粒子的值，计算初始值的分类错误率，并寻找初代粒子种群中具有最小分类错误率的粒子作为当前解，记录最小分类错误率Misclassification rate(i)及当前解的值X¹。

3.根据权利要求1所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：所述步骤(3)具体是指：

式中，r₁是随机数，决定了下一次迭代时的位置或移动方向；r₂是[0,π]之间的随机数，决定当前移动的步进值；r₃是[0,2]之间的随机数，是目标解随机赋予的一个权值，目的是加强或是削弱步进值对目标解的影响；r₄是[0,1]中的随机数，r₄表示如何在上式中的正弦和余弦分量之间做出选择，当r₄<0.5时按正弦公式迭代，当r₄≥0.5时按余弦公式迭代；w为非线性惯性权重；p_i ^t表示在t次迭代时最优个体位置变量的第i维的位置。

4.根据权利要求3所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：在r₁中加入控制参数余弦变化，其表达式为：

式中，a为常数，a＝2，t为当前迭代次数，T为最大迭代次数。

5.根据权利要求1所述的基于ISCA-SDAE的滚动轴承故障诊断方法，其特征在于：在所述ISCA粒子值更新公式中引入非线性惯性权重，其表达式为：

式中：最大权重因子W_max＝0.9，最小权重因子W_min＝0.4。

6.实施权利要求1至5中任一项所述的基于ISCA-SDAE的滚动轴承故障诊断方法的系统，其特征在于：包括：

信号源，采用电机滚动轴承，在测量电机振动时，配合电机测试台架，利用电机测试台架模拟各种工况，在不同工况下监测并记录振动信号；

传感器监测节点，由ICM20948振动加速度传感器和MC13224无线传输模块组成，用于采集现场各电机滚动轴承振动信号及将采集到的信号无线传输到树莓派3B+主控节点进行故障诊断；

树莓派3B+主控节点，采用树莓派3B+型，采用ARM A53处理器，搭载Linux操作系统，对接收到的振动信号进行数据归一化处理以及数据分流，最终利用基于ISCA-SDAE的滚动轴承故障诊断方法实现故障诊断，用C#完成设备界面开发，采用IPS显示屏实现人机交互，用MC13224无线传输模块进行数据传输；

传感器监测节点和树莓派3B+主控节点采用MC13224作为无线传输模块，基于ZigBee协议实现无线传感器自组网及管理功能，各传感器监测节点在ZigBee网络中作为路由器对采集到的电机滚动轴承振动信号数据进行无线传输，通过树莓派3B+主控节点进行故障诊断，诊断完成后点亮树莓派显示界面的对应电机滚动轴承状态指示灯。

Images