一种滚动轴承故障诊断模型建立方法及建立系统

1.本发明涉及工业设备故障诊断技术领域，尤其涉及一种基于 vmd-wvd和ssa参数优化dbn的滚动轴承故障诊断模型建立方法及建立系统。


背景技术：

2.滚动轴承作为传动仪表的重要组成部分，广泛应用于电力、风电、军事、工业机械生产等领域的各种传动系统中。滚动轴承由于其工作时间长、工作频率高、工作环境恶劣等特点，常伴随着磨损、噪声、负载不平衡等故障。
3.滚动轴承故障诊断分为三个部分：数据采集、特征提取和模式识别。其中，特征提取是最重要的部分，它极大地影响着模式识别精度的上下限。各种一维或二维信号特征提取技术被应用于振动信号特征提取，如傅里叶变换、经验模态分解、综合经验模态分解、连续小波变换、希尔伯特包络谱和变分模式分解。
4.随着深度学习的发展，深度学习模型经常被用于优化、诊断和预测。常用的网络模型包括深度信念网络(dbn)、卷积神经网络(cnn)、长短时记忆神经网络(lstm)、支持向量机(svm)等。经过信号特征处理后，深度学习网络模型的分类识别精度高于其他机器学习算法。
5.因此，亟需提供一种基于深度学习来建立滚动轴承故障诊断模型的方法，以提高故障诊断的准确性。


技术实现要素：

6.本发明所要解决的技术问题是提供一种基于vmd-wvd和ssa参数优化dbn的滚动轴承故障诊断模型建立方法及建立系统。
7.为解决上述问题，本发明所采取的技术方案是：
8.一方面，提供了一种滚动轴承故障诊断模型建立方法，所述方法包括：
9.获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
10.对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
11.利用ssa的全局优化能力对dbn的参数进行优化得到优化dbn；
12.将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
13.作为本发明的进一步改进，所述对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集，包括：
14.针对每个正常振动信号，依次通过vmd和wvd进行时频变化后得到正常矩阵；
15.针对每个内圈故障振动信号，依次通过vmd和wvd进行时频变化后得到外圈故障矩
阵；
16.针对每个内圈故障振动信号，依次通过vmd和wvd进行时频变化后得到内圈故障矩阵；
17.针对每个滚动体故障振动信号，依次通过vmd和wvd进行时频变化后得到滚动体故障矩阵；
18.将所有的正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。
19.作为本发明的进一步改进，所述针对每个正常振动信号，依次通过vmd和wvd进行时频变化后得到正常矩阵，包括：
20.针对每个正常振动信号，通过vmd将所述正常振动信号分解为不同频率的多个正常bimf，比较每个正常bimf的方差贡献率，通过wvd 将贡献率最大的正常bimf从一维时域信号转换为二维特征谱，得到所述正常矩阵。
21.作为本发明的进一步改进，采用以下公式比较每个正常bimf的方差贡献率：
[0022][0023]
其中，uk(j)为原信号经过vmd分解得到j个imf分量，mseb(i)为 imfi的方差贡献率，n为信号长度。
[0024]
作为本发明的进一步改进，所述利用ssa的全局优化能力对dbn 的参数进行优化得到优化后的dbn，包括：
[0025]
s301、设置ssa的所有预设参数并初始化最大迭代次数和搜索预设范围，所述预设参数包括预设麻雀数量、预设感知危险的麻雀数量、以及预设警戒值；
[0026]
s302、初始化麻雀位置并计算适应度，将待优化dbn训练数据的 rmse作为ssa的适应度函数；
[0027]
s303、比较每个麻雀个体的估计适应度，得到麻雀的最优位置和最差位置；
[0028]
s304、当判断当前优化迭代次数达到最大迭代次数，则结束迭代并输出所述最优位置，用所述最优位置训练待优化dbn，得到具有最优学习率和最优批量大小的优化dbn。
[0029]
作为本发明的进一步改进，所述步骤还包括：
[0030]
s305、当判断当前优化迭代次数未达到最大迭代次数时，更新每个麻雀个体的位置及其适应度，重新初始化，设定新的搜索范围，所述新的搜索范围位于所述搜索预设范围之外；
[0031]
s306、将当前最优位置作为dbn训练部分的参数值，得到初始优化 dbn；
[0032]
s307、比较每个麻雀个体的估计适应度，得到麻雀的最优位置；
[0033]
s308、判断当前优化迭代次数是否达到最大迭代次数，执行步骤 s304或步骤s305，得到优化dbn。
[0034]
作为本发明的进一步改进，所述将所述数据集输入至所述优化后的 dbn中进行训练，得到所述滚动轴承故障诊断模型，包括：
[0035]
依据振动状态，将所述数据集划分为多个测试集和多个测试集，每个所述训练集和所述测试集均携带有用于指示振动状态的标签；
[0036]
将多个测试集输入至所述优化后的dbn中进行训练，得到训练后的 dbn；
[0037]
将多个所述测试集输入至训练后的dbn中测试所述训练后的dbn 的分类效果；
[0038]
当确定所述分类效果达到预设效果时，将所述训练后的dbn作为滚动轴承故障诊断模型。
[0039]
第二方面，提供了一种滚动轴承故障诊断模型建立系统，其包括：
[0040]
获取模块，其用于获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0041]
数据集生成模块，其用于对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0042]
优化模块，其用于利用ssa的全局优化能力对dbn的参数进行优化得到优化dbn；
[0043]
模型生成模块，其用于将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
[0044]
第三方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如第一方面所述的滚动轴承故障诊断模型建立方法。
[0045]
第四方面，提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的滚动轴承故障诊断模型建立方法。
[0046]
采用上述技术方案所产生的有益效果在于：
[0047]
本发明实施例提供了一种一种滚动轴承故障诊断模型建立方法及建立系统，模型建立方法包括：获取滚动轴承在不同振动状态下的多个振动信号，首先，通过变分模态分解将振动信号分解为一系列不同频率的 bimf。比较每个bimf的方差贡献率。通过wvd将贡献率最大的bimf 信号从一维时域信号转换为二维特征谱，从而得到故障状态的二维特征矩阵。利用ssa的全局优化能力对dbn参数组合进行优化得到优化 dbn，将二维特征矩阵输入值优化dbn，从而得到dbn的最佳网络结构，即为得到滚动轴承故障。通过上述模型建立方法能够提高信号特征提取能力，在全局优化条件下解决问题，建立的模型提高了故障诊断的准确性。
附图说明
[0048]
图1是一种振动信号的时域波形图。
[0049]
图2是一种通过vmd的外圈故障振动信号的bimf分量时域图。
[0050]
图3是外圈故障信号的fft谱。
[0051]
图4是wvd分解bimf的三维图。
[0052]
图5是rmse随迭代次数的变化图。
[0053]
图6是训练数据误差变化曲线图。
[0054]
图7是滚动轴承故障诊断模型的准确率图。
具体实施方式
[0055]
为使本发明的目的、技术方案和优点更加清楚，下面结合具体实施例对发明进行清楚、完整的描述。
[0056]
实施例1
[0057]
本发明实施例提供了一种滚动轴承故障诊断模型建立方法，其中， vmd指代的是变分模态分解，wvd指代的是wigner-ville分布，ssa 指代的是麻雀搜索算法，dbn指代的是深度置信网络。
[0058]
其方法包括：
[0059]
步骤s1、获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号。
[0060]
其中，上述正常振动信号、外圈故障振动信号、内圈故障振动信号和滚动体故障振动信号可由测试人员输入，或者在滚动轴承振动时实时获取得到。
[0061]
步骤s2、对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集。
[0062]
其中，对每个振动信号进行特征提取均包括通过vmd分解过程和通过wvd得到特征矩阵的过程。
[0063]
vmd是一种振动信号处理方法，在实际测试中，每个振动信号均携带有噪声信号，通过vdm可将噪声去除得到符合要求的振动信号。vmd 可以将每个振动信号分解为围绕固定中心频率和有限带宽的多个不同频率的限带本征模态函数(band limited intrinsic mode functions，bimf)。
[0064]
其步骤包括变分问题的构造过程和求解过程。
[0065]
变分问题的构造过程为：
[0066]
①
、采用下述公式进行希尔伯特变换得到振动信号的单边谱：
[0067]
(δ(t)+j/πt)*uk(t)；
[0068]
②
、采用下述公式估计每个分析信号的中心频率，然后将每个模态的频谱调制到相应的估计基频带：
[0069][0070]
③
、估计每个bimf的带宽。
[0071]
变分过程的表达式如下：
[0072]
变分过程的约束条件是k个模态函数uk(t)的带宽之和最小，数学表达式如下：
[0073][0074]
式中，ωk表示模态分量的中心频率，δ(t)为狄拉克分布函数，t是时间， *表示卷积。
[0075][0076]
其中，{uk}＝{u1,u2,
…
,uk}是k个bimf的集合。{ωk}＝ {ω1,ω2,
…
,ω3}是每个bimf的中心频率集。*是一个卷积符号。是梯度算子符号，j是一个虚单位。
[0077]
变分问题的求解过程是将约束问题转化为无约束问题。该方法引入二次乘法参数和拉格朗日算子。增广拉格朗日函数如下：
[0078][0079]
式中，α为二次乘法参数；λ(t)是拉格朗日算子；《》是内部产品操作。用交替方向乘子算法求解约束变分模型的最优解。
[0080]
在得到多个bimf后，采用下述公式得到每个bimf的方差贡献率：
[0081][0082]
其中，uk(j)为原信号经过vmd分解得到j个imf分量，mseb(i)为 imfi的方差贡献率，n为信号长度。
[0083]
上述方差贡献率表征bimf分量重要性，方差贡献率越大，相应 bimf分量越重要。在得到每个bimf的方差贡献率后，通过wvd将贡献率最大的bimf信号从一维时域信号转换为二维特征谱，从而得到与输入的振动信号所对应的特征矩阵。
[0084]
wvd是一种典型的二次时频变换技术，一维bimfx(t)的 wigner-ville分布是其瞬时自相关函数的傅里叶变换，即：
[0085][0086]
其中：x
*
(t)是x(t)的复共轭，ω表示模态分量的中心频率，t是时间。
[0087]
具体地，由于振动信号包括正常振动信号、外圈故障振动信号、内圈故障振动信号和滚动体故障振动信号四种类型，因此，该步骤可包括下述步骤s201-s205。
[0088]
步骤s201、针对每个正常振动信号，依次通过vmd和wvd进行时频变化后得到正常矩阵。
[0089]
该步骤包括：针对每个正常振动信号，通过vmd将所述正常振动信号分解为不同频率的多个正常bimf，比较每个正常bimf的方差贡献率，通过wvd将贡献率最大的正常bimf从一维时域信号转换为二维特征谱，得到所述正常矩阵。
[0090]
步骤s202、针对每个内圈故障振动信号，依次通过vmd和wvd 进行时频变化后得到外圈故障矩阵。
[0091]
步骤s203、针对每个滚动体故障振动信号，依次通过vmd和wvd 进行时频变化后得到滚动体故障矩阵。
[0092]
上述步骤s202和步骤s203与步骤s201类似，其区别仅在于通过 vmd处理的信号类型不同，本发明实施例对此不作具体限定。
[0093]
步骤s204、将所有的正常矩阵、外圈故障矩阵、内圈故障矩阵和滚动体故障矩阵保存至数据集中。
[0094]
步骤s3、利用ssa的全局优化能力对dbn的参数进行优化，以学习率和批量大小作为ssa的优化目标，得到优化后的dbn。
[0095]
其包括：
[0096]
步骤s301、设置ssa的所有预设参数并初始化最大迭代次数和搜索预设范围，所述预设参数包括预设麻雀数量、预设感知危险的麻雀数量、以及预设警戒值。
[0097]
麻雀搜索算法(ssa)数学描述如下：存在一个d维搜索空间，其中有n只麻雀，在整个麻雀群体中，分为生产者和掠夺者，他们在群体中承担着不同的任务。
[0098]
生产者负责觅食和引导整个群体向食物更多的地方去。掠夺者时刻监视着生产者并借机掠夺食物。在群体中，生产者和掠夺者的身份是动态变化的，每个麻雀都有机会成为生产者，只要它能找到更为丰富的食物。但是生产者和掠夺者的比例不变，有高产的掠夺者成为生产者，就会有落后的生产者变成掠夺者。
[0099]
此外，生物群体都会存在天敌，占据麻雀群体总数10％～20％的麻雀具有警戒意识，能够发现敌人并发出警报，当警戒值超过安全阈值，整个群体会及时放弃食物到更安全的地方去。
[0100]
本发明中，在使用麻雀算法时，需要设置ssa的所有预设参数并初始化最大迭代次数和搜索预设范围。
[0101]
步骤s302、初始化麻雀位置并计算适应度，将待优化dbn训练数据的网络的均方根误差(rmse)作为ssa的适应度函数。
[0102]
例如：存在一个d维搜索空间，其中有n只麻雀，在整个麻雀群体中，分为生产者和掠夺者，麻雀群体的位置信息可以用数组x表示：
[0103][0104]
针对任意一个麻雀，其位置信息可由向量x[α,β]表示，并基于向量x[α,β]得到每个麻雀的初始适应度，并将所有麻雀群体的适应度存储向量f
x
里：
[0105][0106]
dbn的学习率和批量大小的取值范围，决定了麻雀的搜索空间。 dbn的均方根误差最小化作为ssa的优化指标。每个迭代过程都会产生一个最优组合解，这个组合解放入网络训练得到本次迭代的网络均方根误差。根据ssa优化机制，网络均方根误差会随着迭代次数的增加而减小，最终会得到最小均方根误差下的网络学习率和批量大小的最优组合。
[0107]
步骤s303、比较每个麻雀个体的估计适应度，得到麻雀的最优位置和最差位置，适
应度最小的麻雀的位置是当前全局最优位置x
best
，而适应度最大的麻雀的位置是全局最差位置x
worst
；
[0108]
步骤s304、当判断当前优化迭代次数达到最大迭代次数，则结束迭代并输出所述最优位置，用所述最优位置训练待优化dbn，得到具有最优学习率和最优批量大小的优化dbn。
[0109]
其中，最终位置即由步骤s303得到的全局最优位置x
best
，可通过其对应的向量x
best
[α
*
,β
*
]训练待优化dbn，得到具有最优学习率和最优批量大小的优化dbn。
[0110]
进一步地，所述步骤还包括：
[0111]
步骤s305、当判断当前优化迭代次数未达到最大迭代次数时，更新每个麻雀个体的位置及其适应度，重新初始化，设定新的搜索范围，所述新的搜索范围位于所述搜索预设范围之外。
[0112]
关于更新每个麻雀个体的位置的方式，可采用下述方法：
[0113]
在群体中，生产者占据群体总数的10％～20％，具有更高的适应度，觅食能力更强。因此，获得的觅食范围更大。在每个迭代过程中，生产者的位置更新参考下述公式。
[0114][0115]
其中，t(t＝1,2,
…
,itera)是寻优的迭代次数，iter
max
是一个固定值，代表最大迭代次数。α和q都是随机数(α∈(0,1]、q～n(μ,σ2))。l表示一个大小为1
×
d且元素都为1的矩阵。r2表示警戒值，st表示安全阈值，当r2≥st时，麻雀群体需要立刻向安全区域迁移来躲避入侵者。
[0116]
因此，掠夺者依据下述公式进行位置更新：
[0117][0118]
式中，x
p
表示生产者中的最优位置。x
worst
表示当前范围最差的位置。当i＞n/2时，表明第i个掠夺者拥有很差的适应度，很有可能处于饥饿状态。
[0119]
而具备警戒能力的麻雀依据下述公式进行位置更新：
[0120][0121]
当fi＝fg时，表明麻雀发现了敌人并且靠近其他麻雀以避免被敌人攻击。
[0122]
步骤s306、将当前最优位置作为dbn训练部分的参数值，得到初始优化dbn；
[0123]
即由步骤s303得到的全局最优位置x
best
对应的向量x
best
[α
*
,β
*
]作为 dbn训练部分的参数值。
[0124]
步骤s307、比较每个麻雀个体的估计适应度，得到麻雀的最优位置；
[0125]
步骤s308、判断当前优化迭代次数是否达到最大迭代次数，执行步骤s304或步骤s305，从而得到了优化dbn。
[0126]
即，在上述过程中以学习率和批量大小作为麻雀搜索算法的优化目标，得到了优
化dbn。
[0127]
步骤s4、将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
[0128]
该步骤包括：
[0129]
步骤s401、依据振动状态，将所述数据集划分为多个测试集和多个测试集，每个所述训练集和所述测试集均携带有用于指示振动状态的标签；其中，振动状态包括正常振动状态、外圈故障振动状态、内圈故障振动状态和滚动体故障振动状态；
[0130]
步骤s402、将多个测试集输入至所述优化后的dbn中进行训练，得到训练后的dbn；
[0131]
步骤s403、将多个所述测试集输入至训练后的dbn中测试所述训练后的dbn的分类效果；
[0132]
步骤s404、当确定所述分类效果达到预设效果时，将所述训练后的 dbn作为滚动轴承故障诊断模型。
[0133]
以下，以一个具体实施例对上述滚动轴承故障诊断模型中的步骤s2 的特征提取部分和步骤s3中优化dbn的生成进行说明。
[0134]
特征提取部分：
[0135]
(1)实验数据说明：
[0136]
来自凯斯西储大学电气工程实验室轴承中心的振动信号被用作数据，以验证所提出的模型在滚动轴承故障诊断中的有效性。
[0137]
轴承试验台包括驱动电机、负载电机、加速度传感器和扭矩传感器。加速度传感器在四种不同负载(负载0＝0hp/1797rpm、负载1＝1hp/1772 rpm、负载2＝2hp/1750rpm、负载3＝3hp/1730rpm)下收集数据。采样频率为12khz。故障类型包括内圈故障、外圈故障和滚动体故障。滚动体故障在轴承内部，故障点不可见。每个断层类型包含四个断层直径，即“0.007”、“0.014”和“0.021”。断层直径表示断层的深度。
[0138]
本技术采用故障直径为“0.014”的多个外圈故障振动信号，电机负载为3hp，电机转速为1730rpm，其振动信号时域波形图如图1所示。
[0139]
(2)振动信号特征提取
[0140]
对外圈故障振动信号进行特征提取，图2是通过对多个外圈故障信号进行变分模态分解得到的多个bimf时域图，图3是通过对每个bimf 进行傅里叶变换得到的频域图。
[0141]
为了选择关键bimf，计算每个故障状态下每个bimf对振动信号的方差贡献率。各bimf分量方差贡献率的平均值分别得到，如表1所示。每个bimf的平均方差贡献率表示bimf对原始振动信号特征的贡献。平均方差贡献率越大，bimf的特征越接近无噪声原始信号的特征，通过计算发现第四个bimf对振动信号的影响较大，因此对第四个bimf 进行wvd，第四个bimf的wvd变换后的三维频谱图如图4所示。
[0142]
表1 bimf的方差贡献率
[0143][0144]
优化dbn的生成：
[0145]
本技术采用dbn，网络结构为100-100。ssa用于搜索dbn的学习率和批量大小两个参数的全局最优解。学习率的搜索范围为：[0.01 1]，批量大小的搜索范围为：[1 90]。ssa
的参数设置如表2所示。图5显示了测试数据的rmse随迭代次数增加的变化曲线。经过5次迭代，rmse 开始收敛，表明该算法具有较快的收敛速度。第10次迭代后，测试数据的rmse收敛到0.095。第15次迭代后，rmse稳定收敛于0.085，表明采用ssa优化dbn的优化算法具有良好的全局优化能力和较强的鲁棒性。最后，学习率和批量大小的最佳组合为：[0.1673,4]。
[0146]
表2 ssa参数设置
[0147][0148]
dbn的结构参数如表3所示。输入层和输出层的节点数分别由输入样本和故障类别决定。ssa全局优化后得到的dbn参数组合设置如表4 所示。
[0149]
表3 dbn结构的参数
[0150][0151][0152]
表4 dbn参数组合的设置
[0153][0154]
进一步地，本技术对得到的故障诊断模型进行了准确度和精度测试，如图6和图7所示，由图6可知，在第200次迭代时，该故障诊断模型开始在该区域稳定收敛，表明该模型训练良好。经过500次迭代，误差收敛到0.0201，因此训练数据的准确率为98％，测试数据的准确率为 91.5％。
[0155]
由图7可知，重复10次后，10个诊断的识别率分别为98％、97.7％、 98.2％、97.8％、97.67％、98％、97.7％、97.98％、98％和98％，平均准确率为98％，表明该模型对滚动轴承故障分类具有较强的鲁棒性和较高的准确率。
[0156]
实施例2
[0157]
本发明提供了一种滚动轴承故障诊断模型建立系统，其包括：
[0158]
获取模块，其用于获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0159]
数据集生成模块，其用于对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0160]
优化模块，其用于利用ssa的全局优化能力对dbn的参数进行优化得到优化dbn；
[0161]
模型生成模块，其用于将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
[0162]
实施例3
[0163]
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现如下步骤：
[0164]
获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0165]
对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0166]
利用ssa的全局优化能力对dbn的参数进行优化得到优化dbn；
[0167]
将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
[0168]
实施例4
[0169]
本实施例提供一种处理装置，该处理装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
[0170]
获取滚动轴承在正常振动状态下的多个正常振动信号，在外圈故障振动状态下的多个外圈故障振动信号，在内圈故障振动状态下的多个内圈故障振动信号，以及在滚动体故障振动状态下的多个滚动体故障振动信号；
[0171]
对每个振动信号进行特征提取，得到包含有多个正常矩阵、多个外圈故障矩阵、多个内圈故障矩阵和多个滚动体故障矩阵的数据集；
[0172]
利用ssa的全局优化能力对dbn的参数进行优化得到优化dbn；
[0173]
将所述数据集输入至所述优化后的dbn中进行训练，得到所述滚动轴承故障诊断模型。
[0174]
尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。