基于CEEMD能量熵和优化PNN的轴承故障诊断方法

摘要

本发明公开了一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法,包括：S1、采集不同故障状态下的轴承振动信号；S2、采用互补集合经验模态分解算法将轴承振动信号进行分解处理，获得本征模态分量；S3、计算本征模态分量和轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；S4、提取有效本征模态分量的能量熵，组成特征向量矩阵；S5、构建概率神经网络模型，将特征向量矩阵输入概率神经网络模型，训练优化概率神经网络模型，获得概率神经网络轴承故障诊断模型；S6、将特征向量矩阵输入所述概率神经网络轴承故障诊断模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型，完成故障识别和分类。

权利要求

1.一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，包括以下步骤：S1、采集不同故障状态下的轴承振动信号；

S2、采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量；

S3、计算所述本征模态分量和所述轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；

S4、提取所述有效本征模态分量的能量熵，组成特征向量矩阵；

S5、构建概率神经网络模型，将所述特征向量矩阵输入所述概率神经网络模型，训练优化所述概率神经网络模型，获得概率神经网络轴承故障诊断模型；

S6、将所述特征向量矩阵输入所述概率神经网络轴承故障诊断模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型，完成改进麻雀搜索算法优化概率神经网络故障识别和分类；获得改进麻雀搜索算法优化概率神经网络轴承故障诊断模型的方法包括：利用改进的Logistic混沌映射随机性、遍历性的特点，优化麻雀种群的初始化条件；计算每个麻雀适应度值并进行排序，选出当前最优适应度和其对应位置，以及最差适应度值和其对应位置；经过一次迭代完成后，重新计算每只麻雀的适应度值，根据麻雀种群当前的状态，更新整个种群的最优位置和其适应度，以及最差位置和最差位置的适应度；还包括引入t分布策略，解的最优位置使用扰动算子得到新解，计算原来种群和新变异种群的个体适应度值，分别确定变异前后两个种群的最优解，记录相应位置。

2.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S2中采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量的方法包括：S2.1、设置高斯白噪声组数，利用随机函数获得高斯白噪声；

S2.2、在所述轴承振动信号中添加一对符号相反、幅值相等的高斯白噪声，得到两串新的轴承振动信号；

S2.3、对所述两串新的轴承振动信号分别进行经验模态分解，得到两组本征模态分量；

S2.4、计算次数以1为单位迭代重复所述S2.2和所述S2.3，直到计算次数为所述高斯白噪声组数；

S2.5、分解高斯白噪声组数次后，将所有本征模态分量的集成平均值，获得本征模态分量。

3.如权利要求2所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S3中获得有效本征模态分量的方法包括：将所述本征模态分量进行排列，通过计算所述本征模态分量与所述轴承振动信号数据的相关系数，筛选出所述有效本征模态分量。

4.如权利要求3所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S4中提取所述有效本征模态分量的能量熵，组成特征向量矩阵的方法包括：基于筛选后的所述有效本征模态分量，获取所述有效本征模态分量的总能量，计算各有效本征模态分量的能量占总能量的比例，获得各有效本征模态分量的能量熵，提取轴承不同故障状态的振动信号的有效本征模态分量的能量熵，组成轴承故障特征向量矩阵。

5.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S5中构建概率神经网络模型包括：所述概率神经网络模型包括输入层、模式层、求和层和输出层；

所述输入层接收所述轴承振动信号，所述特征向量矩阵中的特征向量与所述有效本征模态分量的能量熵相对应；

所述模式层计算输入所述特征向量与所述轴承振动信号匹配，获取神经元数量，所述模式层通过连接权重连接所述输入层；

所述求和层中的神经元数量与模式层的总数相同，所述求和层中的神经元与所述模式层中相应的神经元连接；

所述输出层由与所述求和层中数量相同的竞争神经元组成。

6.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型包括：采用改进的麻雀搜索算法对概率神经网络的平滑因子进行优化，获得最优化的平滑因子输入到概率神经网络模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型。

说明书

基于CEEMD能量熵和优化PNN的轴承故障诊断方法

技术领域

[0001] 本发明属于故障诊断技术领域，尤其涉及一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法。

背景技术

[0002] 轴承作为机械设备的重要基础部件，常常在重载、冲击、变速等复杂工况下运行，容易发生滚动体变形、磨损、腐蚀等形式的故障。轴承故障将会严重影响机械设备的正常运行，甚至引发安全事故。因此实现及时、准确和可靠的轴承状态检测和故障诊断对于保障机械设备的性能效率、使用寿命及安全运行具有重要的意义。

[0003] 由于机械系统振动耦合及复杂环境影响，振动信号具有非线性、非平稳的特点，常规的基于时域、频域或时频域原理的信号处理方法难以处理。经验模态分解(EMD)作为分析非线性、非稳态信号的重要方法，可以将信号自适应地分解成一系列不同时间尺度下的本征模态分量(IMF)，但存在模态混叠的问题，降低了信号分解精度。为了改善EMD的缺陷，集合经验模态分解(EEMD)方法通过在原始信号中加入不同幅值的高斯白噪声来改变信号中极值点的分布状态，能够有效解决模态混叠问题，但EEMD需要依靠不断增加运算次数来消除添加高斯白噪声对分解结果的影响，明显存在计算效率低下和重建误差较大的缺点。变分模态分解(VMD)方法作为一种非递归信号分解方法具有完备的数学基础，能够在改善模态混叠的基础上实现较好的信号分解效果，但存在分解个数和惩罚因子等参数选取困难的问题。当前，信息熵作为信号或系统不确定程度的度量，能够反映轴承在不同故障状态下的振动特征，能量熵作为信息熵的一种特征提取方法，可以从能量变化的角度有效表征信号特征的变化。在故障诊断领域中，概率神经网络(PNN)比其他人工智能方法具有计算过程简单和收敛速度快的优势，同时对个别异常数据具有极高的稳定性和容错性。平滑因子作为PNN中唯一的输入参数，直接影响PNN的识别诊断性能。但PNN平滑因子的选取往往依靠人工经验，缺乏自适应性，而利用常规优化方法如遗传算法(GA)、粒子群优化(PSO)算法等存在易陷入局部最优和收敛速度过慢等缺点。麻雀搜索算法(SSA)是2020年提出的一种新型群体智能优化算法，与传统智能优化算法相比，该算法在搜索精度、收敛速度和稳定性等方面具有优越性，但由于SSA在种群在初始化时难以保证足够的随机性以及边缘搜索机制不够稳定等问题，仍然可能出现不能跳出局部最优而无法实现全局最优的情况。

发明内容

[0004] 本发明的目的在于提出一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，提高轴承振动信号的特征提取精度和故障诊断的准确性。

[0005] 为实现上述目的，本发明提供了一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，包括以下步骤：

[0006] S1、采集不同故障状态下的轴承振动信号；

[0007] S2、采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量；

[0008] S3、计算所述本征模态分量和所述轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；

[0009] S4、提取所述有效本征模态分量的能量熵，组成特征向量矩阵；

[0010] S5、构建概率神经网络模型，将所述特征向量矩阵输入所述概率神经网络模型，训练优化所述概率神经网络模型，获得概率神经网络轴承故障诊断模型；

[0011] S6、将所述特征向量矩阵输入所述概率神经网络轴承故障诊断模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型，完成改进麻雀搜索算法优化概率神经网络故障识别和分类。

[0012] 可选的，所述S2中采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量的方法包括：

[0013] S2.1、设置高斯白噪声组数，利用随机函数获得高斯白噪声；

[0014] S2.2、在所述轴承振动信号中添加一对符号相反、幅值相等的高斯白噪声，得到两串新的轴承振动信号；

[0015] S2.3、对所述两串新的轴承振动信号分别进行经验模态分解，得到两组本征模态分量；

[0016] S2.4、计算次数以1为单位迭代重复所述S2.2和所述S2.3，直到计算次数为所述高斯白噪声组数；

[0017] S2.5、分解高斯白噪声组数次后，将所有本征模态分量的集成平均值，获得本征模态分量。

[0018] 可选的，所述S3中获得有效本征模态分量的方法包括：

[0019] 将所述本征模态分量进行排列，通过计算所述本征模态分量与所述轴承振动信号数据的相关系数，筛选出所述有效本征模态分量。

[0020] 可选的，所述S4中提取所述有效本征模态分量的能量熵，组成特征向量矩阵的方法包括：

[0021] 基于筛选后的所述有效本征模态分量，获取所述有效本征模态分量的总能量，计算各有效本征模态分量的能量占总能量的比例，获得各有效本征模态分量的能量熵，提取轴承不同故障状态的振动信号的有效本征模态分量的能量熵，组成轴承故障特征向量矩阵。

[0022] 可选的，所述S5中构建概率神经网络模型包括：

[0023] 所述概率神经网络模型包括输入层、模式层、求和层和输出层；

[0024] 所述输入层接收所述轴承振动信号，所述特征向量矩阵中的特征向量与所述有效本征模态分量的能量熵相对应；

[0025] 所述模式层计算输入所述特征向量与所述轴承振动信号匹配，获取神经元数量，所述模式层通过连接权重连接所述输入层；

[0026] 所述求和层中的神经元数量与模式层的总数相同，所述求和层中的神经元与所述模式层中相应的神经元连接；

[0027] 所述输出层由与所述求和层中数量相同的竞争神经元组成。

[0028] 可选的，所述S5中获得改进麻雀搜索算法优化概率神经网络轴承故障诊断模型的方法包括：

[0029] 利用改进的Logistic混沌映射随机性、遍历性的特点，优化麻雀种群的初始化条件；

[0030] 计算每个麻雀适应度值并进行排序，选出当前最优适应度和其对应位置，以及最差适应度值和其对应位置；

[0031] 经过一次迭代完成后，重新计算每只麻雀的适应度值，根据麻雀种群当前的状态，更新整个种群的最优位置和其适应度，以及最差位置和最差位置的适应度。

[0032] 可选的，还包括引入t分布策略，解的最优位置使用扰动算子得到新解，计算原来种群和新变异种群的个体适应度值，分别确定变异前后两个种群的最优解，记录相应位置。

[0033] 可选的，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型包括：采用改进的麻雀搜索算法对概率神经网络的平滑因子进行优化，获得最优化的平滑因子输入到概率神经网络模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型。

[0034] 本发明技术效果：本发明公开了一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，采用CEEMD方法将轴承振动信号自适应地分解成一系列本征模态分量，有效降低了由于添加白噪声导致的重构信号误差，更好地抑制模态混叠现象，提高了非线性、非平稳信号的分解精度；利用相关系数准则有效去除由噪声引起的一些伪模态分量，最大限度地保留表征振动信号特征的有效本征模态分量；利用有效本征模态分量的能量熵作为特征向量，有效反映故障状态信息，使不同状态间的差异性更明显，在提高故障识别精度的基础上减少了数据维数；通过改进传统的麻雀搜索算法，有效解决了初始种群分布不均匀和陷入局部最优问题，增强了全局搜索能力，提高收敛速度；通过构建改进麻雀搜索算法优化的概率神经网络ISSA‑PNN诊断模型，进一步提高了轴承故障诊断的准确性。

附图说明

[0035] 构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

[0036] 图1为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法流程示意图；

[0037] 图2为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中概率神经网络PNN的结构示意图；

[0038] 图3为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中ISSA优化PNN流程图；

[0039] 图4为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中6种不同轴承振动故障信号时域波形图；

[0040] 图5为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中信号经过CEEMD分解后各本征模态分量与原信号相关系数分布图；

[0041] 图6为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中各类故障信号经过CEEMD分解后的本征模态分量能量熵分布图；

[0042] 图7为本发明实施例基于CEEMD能量熵和优化PNN的轴承故障诊断方法中测试集的故障分类效果图。

具体实施方式

[0043] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0044] 需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

[0045] 如图1‑7所示，本实施例中提供一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，包括以下步骤：

[0046] 步骤1：采集轴承不同故障状态下的振动信号数据a(t)，组成轴承振动信号数据集；

[0047] 步骤2：利用互补集合经验模态分解(CEEMD)算法将轴承振动信号自适应地分解成一系列本征模态分量，具体按照下述方法进行：

[0048] 步骤2.1：设置高斯白噪声组数M，利用随机函数获得高斯白噪声，设置高斯白噪声幅值为原始振动信号a(t)的标准差的0.1～0.3倍，选择范围源于相关文献和经验，令运算次数i＝1；

[0049] 步骤2.2：在原始振动信号中添加一对符号相反、幅值相等的高斯白噪声，得到两串新的信号：

[0050]

[0051] 其中，a(t)为原始振动信号，ni(t)为第i次加入的高斯白噪声， 和 分别为第i次添加高斯白噪声后的信号。

[0052] 步骤2.3：对 和 分别进行经验模态分解(EMD)，得到两组本征模态分量：

[0053]

[0054] 其中， 和 分别为第i次经EMD分解的第j个本征模态分量，K为分解后本+ ‑征模态分量的个数，ri(t)和ri(t)分别为第i次经EMD分解的得到的残余量。

[0055] 步骤2.4：令i＝i+1，并重复步骤2.2和步骤2.3，直到i＝M。

[0056] 步骤2.5：求出分解M次后的所有本征模态分量的集成平均值，作为经CEEMD分解的各本征模态分量：

[0057]

[0058] 其中，cj(t)为经CEEMD分解后的第j个本征模态分量,j＝1,2,…,K。

[0059] 步骤3：计算各本征模态分量与原始振动信号的相关系数，选取相关系数较大的本征模态分量作为有效模态分量来表征原始信号的振动特征，剔除相关系数较小的伪模态分量，具体按照下述方法进行：

[0060] 采用CEEMD分解后得到的本征模态分量是由高频到低频排列的，其中高频分量可能包含随机噪声，低频分量可能包含趋势项及因插值误差和边界效应而产生的残余分量，只有一部分本征模态分量能够表征原始信号的本质，而其余的本征模态分量是由噪声引起的一些伪模态分量。因此，需要去除无效的本征模态分量，以最大限度地保留原始信号特征。通过计算各本征模态分量cj(t)与原始振动信号a(t)的相关系数，选取相关系数相对较大的本征模态分量来表示原始信号中的有效信息，相关系数Cr(j)按下式获得：

[0061]

[0062] 其中，cj,l为第j个本征模态分量cj(t)中的第l个数据点，al为原始振动信号a(t)中的第l个数据点，Nl为数据点总数， 和 分别为cj(t)和a(t)中数据的平均值。

[0063] 如果相关系数较大，则表明该本征模态分量与原始信号之间的相关性较强，其中包含的轴承工作状态特征丰富。相反，这表明该本征模态分量中包含的轴承运行状态特征较少，甚至可能存在虚假成分，应予以去除。

[0064] 步骤4：提取每个有效本征模态分量的能量熵，组成能够定量反映轴承运行状态的特征向量矩阵，具体按照下述方法进行：

[0065] 经过相关系数筛选后共得到h个有效本征模态分量，各本征模态分量所携带的能量Ej可按下式获得：

[0066]

[0067] 则这h个有效本征模态分量的总能量E为：

[0068]

[0069] 计算各有效本征模态分量的能量占总能量的比例Pj为:

[0070]

[0071] 获得各有效本征模态分量的能量熵Hj为:

[0072]

[0073] 提取轴承不同故障状态的振动信号的有效本征模态分量的能量熵值，组成轴承故T障特征向量矩阵x＝[x1,x2,…,xh] ，随机选取一部分数据组作为训练集，剩余的数据组作为测试集。

[0074] 步骤5：构建概率神经网络(PNN)模型神经网络，初始化概率神经网络(PNN)模型和麻雀搜索算法(SSA)参数。选取麻雀个体的位置作为概率神经网络的平滑因子，选取训练集的轴承故障诊断错误率与测试集的轴承故障诊断错误率之和作为麻雀搜索算法的适应度函数来计算每个麻雀个体位置的适应度值，对概率神经网络PNN进行优化,具体按照下述方法进行：

[0075] 步骤5.1：构建概率神经网络(PNN)模型。

[0076] 概率神经网络是一种基于径向基网络发展而来的一种前馈型神经网络,如图2所示,其网络包括四层，输入层、模式层、求和层和输出层。

[0077] 输入层接收来自数据集的值,将特征向量传递给网络,其神经元数目和特征向量维数相等，即等于步骤4中获得的有效本征模态分量个数h，与轴承故障特征向量中的h个有效本征模态分量的能量熵相对应；

[0078] 模式层计算输入特征向量与数据集中各个模式的匹配关系，模式层通过连接权重连接到输入层，模式层中的神经元数量等于故障类型和样本数量的乘积，其中每个样本的高斯函数和模式层的输出函数表示为：

[0079]

[0080] 其中，i＝1,2,…,b，k＝1,2,…,mi，b为数据集中的故障类型总数，mi为数据集中的第i类故障类型的样本个数，h为输入的数据集维数，σ为概率神经网络PNN模型的平滑因子，xik为数据集中第i类故障类型中的第k个样本的中心值。

[0081] 求和层是将属于某个故障类型的概率累加,从而得到分类模式的估计概率密度函数。每一类型只有一个求和层单元,求和层单元与只属于自己类型的模式层单元相连接,而与模式层中的其它单元没有连接,因此求和层单元简单的将属于自己类的模式层单元的输出相加,而与属于其它类别的模式层单元的输出无关。求和层第i类故障类型的输出权重：

[0082]

[0083] 其中，gi(x)是求和层对第i类故障类型的输出。

[0084] 求和层中的神经元数量与模式层的总数相同，该层中的神经元仅与模式层中相应的神经元连接，不会与其他神经元连接。

[0085] 输出层由与求和层中数量相同的竞争神经元组成，其中每个神经元分别对应一种故障类型。其功能是接收求和层生成的输出，并将与网络求和层中的最高概率对应的类型设置为输出结果：

[0086]

[0087] 步骤5.2：初始化麻雀搜索算法(SSA)参数。

[0088] 设置麻雀种群规模为R，发现者和预警者在整个种群中的比例分别为PD和PS，目标函数维度为D，初始值的上限和下限分别为Ub和Lb，最大迭代次数tmax。

[0089] 选取麻雀个体的位置作为概率神经网络PNN平滑因子，第r个麻雀的位置为Xr＝[Xr,1,…,Xr,d,…,Xr,D]，r＝1,2,…,R，Xr,d表示第r个麻雀在第d维的位置，d＝1,2,…,D。

[0090] 选取训练集的轴承故障诊断错误率与测试集的轴承故障诊断错误率之和作为麻雀搜索算法的适应度函数来计算每个麻雀个体位置的适应度值第r个麻雀的适应度值为Fitness为适应度函数，定义如下：

[0091] Fitness＝argmin(Train_ErrorRate+Test_ErrorRate)  (12)

[0092] 其中，Train_ErrorRate为训练集的轴承故障诊断错误率，Test_ErrorRate为测试集的轴承故障诊断错误率。

[0093] 麻雀搜索算法对概率神经网络的平滑因子优化，即在D维空间里，对规模为R的麻雀种群的位置进行优化。

[0094] 步骤6：根据麻雀搜索算法在实际运行中存在的初始化位置随机性不足和边缘搜索机制不够稳定而陷入局部最优的问题，对麻雀搜索算法进行改进，如图3所示，具体按照下述方法进行：

[0095] 步骤6.1：为了有效保持种群的多样性，改善麻雀搜索算法的全局搜索能力，利用改进的Logistic混沌映射随机性、遍历性的特点，优化麻雀种群的初始化条件，改进的Logistic混沌映射，通过下式定义：

[0096]

[0097] 其中，初始值X0∈[‑1,1]，m∈[0,2]。

[0098] 步骤6.2：计算每个麻雀适应度值 并进行排序，选出当前最优适应度和其对应位置，以及最差适应度值和其对应位置。选取每代种群中适应度最好的R·PD个麻雀作为发现者，其余的R·(1‑PD)个麻雀作为跟随者，数量为R·PS的麻雀个体作为预警者，当预警时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置，并对发现者、加入者以及预警者进行位置更新。

[0099] 发现者位置通过下式更新：

[0100]

[0101] 其中，t代表当前的迭代次数，tmax表示最大迭代次数， 表示第r个麻雀在第d维中的第t次迭代的位置信息，λ∈(0,1]为一个随机数，VW∈[0,1]为预警值，VST∈[0.5,1]为安全值，Q为服从正态分布的随机数，L表示每个元素均为1的1×D阶矩阵。当VW＜VST时，表示此时没有发现捕食者存在，发现者可以继续进行更广泛的搜索操作，但当VW≥VST时，表示已经有麻雀发现捕食者并向种群中其他麻雀发出大于安全值的警报，此时发现者便会带领其他麻雀迅速飞到其他安全区域进行觅食。

[0102] 加入者的位置更新按照如下规则：

[0103]

[0104] 其中， 表示当前发现者在第t+1次迭代处于的最优位置，XW代表此时全局最劣+ T T ‑1的位置，A是一个1×D维矩阵且每个元素随机赋值为‑1或1，A＝A(AA) 。当 时，表示的第r个加入者未获取食物，为满足自身的能量需求，此时该加入者要飞到其它地方进行觅食。当 表示，第r个加入者将在当前最优位置附近随机寻找一个位置进行觅食。

[0105] 预警者的位置更新按照如下规则：

[0106]

[0107] 其中，XB表示全局当前最优位置，β为步长控制参数，是服从均值为0方差为1的正态分布的随机数，u∈[‑1,1]为表示麻雀运动方向的一个随机数，fr为当前麻雀的适应度值，fB和fW分别为当前全局最优和最差的适应度值，ε是一个为了满足分母不为0的小常数。当fr＝fB，代表此时处于麻雀种群中间位置的个体意识到存在被捕食风险，应立即靠近其他麻雀以降低其风险。当fr＞fB，则代表当前麻雀位于种群边缘，极易被捕食者捕食。

[0108] 预警者的存在能够增强算法的全局搜索能力，但其在迭代过程中数量保持不变，会导致算法后期收敛速度变慢。因此，在算法运算过程中自适应的改变警戒者的数量，既有利于算法初期的全局搜索，又有利于算法后期的数值收敛，按照如下规则设置预警解除机制：

[0109]

[0110] 其中，SD为迭代次数为t时候需要的预警者的比例。

[0111] 由于麻雀个体的随机性会导致麻雀个体飞行到边缘之外的问题，可能会造成陷入局部最优的后果。因此按照如下规则设置边缘探索机制：

[0112]

[0113] 其中，q∈(0,1]为一个随机数，w为通过边界大小而设置的一个倍数因子。

[0114] 步骤6.3：经过一次迭代完成后，重新计算每只麻雀的适应度值 根据麻雀种群当前的状态，更新整个种群的最优位置和其适应度，以及最差位置和其适应度。

[0115] 步骤6.4：为进一步提高麻雀搜索算法的寻优性能，改善算法陷入局部最优的不足，引入t分布策略，解的最优位置使用扰动算子得到新解。t分布能够充分利用当前迭代时的种群信息，当迭代次数t较小时类似柯西变异，具有较强的全局搜索能力，当迭代次数t较大时类似高斯变异，具有较强的局部搜索能力，从而有效增强SSA算法的迭代寻优性能，使整个种群个体更快的搜寻到全局最优值，缩短了收敛的时间，按如下规则对解的目标位置进行更新:

[0116] 若rand(0,1)＜ps，则

[0117]

[0118] 其中， 为t分布的变异概率，td(t)表示服从以当前迭代次数t为自由参数的t分布。

[0119] 计算原来种群和新变异种群的个体适应度值，分别确定变异前后两个种群的最优解，如果变异后的最优解更优，则更新全局最优解，记录相应位置。

[0120] 若rand(0,1)≥ps，则按不执行t分布策略，直接执行步骤6.5。

[0121] 步骤6.5：判断是否达到最大迭代次数，若没有达到，则继续迭代更新，否则输出最佳平滑因子给概率神经网络PNN模型，构建ISSA‑PNN轴承故障诊断模型。

[0122] 步骤7：使用改进的麻雀搜索算法对概率神经网络的平滑因子进行优化，获得最优化的平滑因子输入到概率神经网络(PNN)模型，构建由改进麻雀搜索算法优化的概率神经网络(ISSA‑PNN)故障诊断模型；

[0123] 步骤8：将训练集数据作为输入，将轴承故障类型作为输出，完成对ISSA‑PNN轴承故障诊断模型的训练；

[0124] 步骤9：将测试集数据输入到训练过的由改进麻雀搜索算法优化概率神经网络ISSA‑PNN的轴承故障诊断模型，完成故障数据到故障状态的映射，输出轴承故障类型结果，实现轴承的故障诊断。

[0125] 方法的检验

[0126] 本发明选用美国凯斯西储大学电气工程实验室轴承数据中心提供的轴承振动加速度信号数据。振动加速度信号来源于滚动轴承驱动端，轴承型号为SKF6025，信号的采样频率为12kHz，轴承转速1797r/min，电机载荷为0HP，提取共计6类轴承故障类型，如表1所示。每类故障数据样本截取时长为0.2s的信号，每个样本截取2400个数据点，共取50组样本，图4所示为第一组样本中6类故障类型的时域信号波形。

[0127] 设置高斯白噪声组数M＝200，设置高斯白噪声幅值为原始振动信号的标准差的0.2倍，采用互补集合经验模态分解(CEEMD)算法将轴承振动信号自适应地分解成一系列本征模态分量。利用相关系数准则筛选有效本征模态分量，如图5所示，几乎所有到第6个本征模态分量与原始信号的相关系数都显著降低，说明前5个本征模态分量与原始信号相关性较强，涵盖了信号中的主要故障信息，因此选取CEEMD分解后前5个IMF分量作为分析对象对信号进行能量熵特征提取，轴承故障状态说明如表1所示。

[0128] 表1

[0129]

[0130] 提取各有效本征模态分量的能量熵构成特征向量数据集，以第一组样本信号为例的6种不同轴承状态下的能量熵分布如图6所示。可见，当轴承在不同状态下工作时，每个本征模态分量的能量熵值区别很大。其中，轴承在正常状态下各本征模态分量的值远大于其他故障状态，而不同故障状态下的各本征模态分量的能量熵分布也不相同，总是存在某一个本征模态分量的能力熵值大于其他本征模态分量的情况。这就证明了不同本征模态分量的能量熵的差异能够较好地反映轴承在不同工作状态下的特性，可以作为轴承状态的特征向量。

[0131] 随机选取30组样本划分为训练集，其余20组样本划分为测试集。构建概率神经网络PNN模型和麻雀搜索SSA算法，

[0132] 设置麻雀种群规模为R＝20，麻雀初始位置随机生成，发现者和预警者在整个种群中的比例分别为PD＝70％和PS＝20％，目标函数维度为D＝30，初始值的上限和下限分别为Ub＝5和Lb＝0.0001，最大迭代次数tmax＝30，安全值VST＝0.6。利用改进麻雀搜索算法ISSA优化平滑因子，得到最佳平滑因子为0.0067。将最佳平滑因子赋值到概率神经网络PNN模型完成训练，获得ISSA‑PNN故障诊断模型。将测试集数据输入ISSA‑PNN诊断模型进行故障诊断，准确率达到99.17％，如图7。

[0133] 以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。