基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究*

齐洪方，黄定洪

(1.武汉华夏理工学院 智能制造学院，湖北 武汉 430223；2.武汉理工大学 机电工程学院， 湖北 武汉 430070)

0 引 言

滚动轴承作为旋转机械设备的关键零部件，其健康状态直接影响设备整体运行的安全性和可靠性。有数据统计显示，由于轴承发生故障导致机械设备不能正常运行的比例约为30%[1]。因此，研究一种高效、稳定、可靠的轴承故障诊断方法尤为重要。传统的故障诊断方法大多采用傅里叶变换[2]、小波变换[3]、经验模态分解[4]等信号处理技术[5,6]，对故障振动信号进行人为特征提取和特征选择，然后输入到分类器中进行故障分类，依赖于一定的信号处理技术和专家经验。

深度置信网络(DBN)作为经典的深度学习算法之一，具有强大的自适应特征提取能力和非线性数据处理能力，可直接对原始时域振动信号进行数据处理[7]，因而被广泛应用于飞机发动机[8]、滚动轴承[9]、齿轮[10]等的故障诊断中。

由于结构参数选择是否合理对DBN特征提取起着至关重要的作用，在当前的研究中，对于DBN模型各隐含层神经元个数以及反向微调学习率的选择，大多是根据经验人为进行的选择。混合蛙跳算法(SFLA)是一种基于群体协同搜索启发式算法，其结合了模因算法和粒子群优化算法(particle swarm optimization，PSO)的优点[11]，具有全局搜索能力强、收敛速度快、易跳出局部极值点等优点。

基于以上原因，本文提出一种基于改进的SFLA优化DBN故障诊断模型，并将其应用于滚动轴承的故障诊断中。

1 深度置信网络

在结构上，DBN是由多个受限玻尔兹曼机(restricted boltzmann machine，RBM)堆叠而成的多隐含层神经网络模型。……