一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质

技术领域

本发明涉及滚动轴承故障诊断分类技术领域，尤其涉及一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质。

背景技术

滚动轴承在工业领域应用广泛，是旋转机械中极易损坏的关键部件之一，在高速重载长时间恶劣的工作环境下容易发生疲劳和故障，从而影响整个设备的安全稳定运行，当发生严重故障时，会造成巨大的社会经济损失甚至人员伤亡。而传统的设备健康监测需要消耗大量的人力物力，且难以实现实时监控，因此对滚动轴承进行实时状态监测和故障诊断具有极其重要的意义。

振动信号是机械设备运行状态的重要载体，如何从复杂的振动信号中提取有价值的特征信息用来评估设备的健康状况一直是故障诊断领域研究的重点。随着人工智能的兴起，智能故障诊断算法在故障诊断领域起着越来越重要的作用，现有的机器学习方法虽然能够根据人工提取的特征识别轴承故障类型，但大多数神经网络为浅层结构，限制了从输入中学习更高级，更抽象信息的能力，而且需要大量的试验数据对网络进行训练。浅层结构的局限性会降低故障诊断的准确率，对网络进行大量数据的训练不但增加试验数据采集的工作量而且还会增加网络训练的时长。另外，轴承在正常工作时，其所处状态是时刻在变化着的，即常处于不同载荷和变转速状态，现有的轴承故障诊断方法大多适用于平稳工况，难以对复杂工况下的轴承振动信号做出正确的诊断。因此需要一种能在不同载荷、变转速状态下有良好诊断效果和鲁棒性的轴承故障诊断方法。

作为一种深度学习方法，堆栈稀疏自编码器通过逐层提取来获得输入数据最抽象最本质的特征，具有强自适应、强鲁棒性、好的数据容错性等优点。但在实际应用中，需要经过繁琐的手工调试和大量的对比分析才能得到较为理想的SSAE网络的稀疏惩罚因子，这在很大程度上增加了调试人员的工作量，同时也限制了模型的故障诊断能力。因此需要一种方法对SSAE网络的稀疏惩罚因子进行自适应选取，以摆脱繁琐的手工调参工作，同时达到好的故障诊断效果。

因此，为了解决现有技术中滚动轴承在时变非平稳性载荷以及不同轴承试验数据量下难以快速准确判断出轴承故障类型的问题，本发明设计了一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质，用于解决现有技术中滚动轴承在时变非平稳性载荷以及不同轴承试验数据量下难以快速准确判断出轴承故障类型的问题。

为实现上述目的及其他相关目的，本发明提供了一种基于VMD-SSAE的滚动轴承故障诊断分类方法，包括步骤：

采集不同故障类型的滚动轴承的振动信号；

基于变分模态分解，对所述振动信号进行时域、频域和时频域特征提取；

将所述特征组成数据集，并将所述数据集分为训练集、验证集和测试集；

将堆栈稀疏自编码器与Softmax分类器连接，构建VMD-SSAE分类模型，并用所述训练集训练所述VMD-SSAE分类模型；

采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型；

将所述测试集中的数据输入理想的所述VMD-SSAE分类模型中，得到诊断分类结果。

于本发明的一实施例中，所述采集不同故障类型的滚动轴承的振动信号包括：在不同载荷和转速下，采集所述滚动轴承的所述振动信号。

于本发明的一实施例中，所述基于变分模态分解，对振动信号进行时域、频域和时频域特征提取，包括步骤：

对所述振动信号进行时域特征提取，获得时域特征数据；

对所述振动信号进行频域特征提取，获得频域特征数据；

采用所述变分模态分解，对所述振动信号进行时频域特征提取，获得时频域特征数据。

于本发明的一实施例中，所述获得时频域特征数据，包括步骤：

采用所述变分模态分解，对所述振动信号进行自适应分解，得到多个固有模态函数；

对每一所述固有模态函数进行时频域特征提取，获得所述时频域特征数据。

于本发明的一实施例中，所述采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型，包括步骤：

采用所述灰狼优化算法对稀疏自编码器的稀疏惩罚因子进行自适应选取，以得到优化的所述VMD-SSAE分类模型中的稀疏惩罚因子；

采用所述误差反向传播算法对优化后的所述VMD-SSAE分类模型进行微调，以得到理想的所述VMD-SSAE分类模型。

于本发明的一实施例中，所述采用所述灰狼优化算法对稀疏自编码器的稀疏惩罚因子进行自适应选取，包括步骤：

S511、初始化所述灰狼优化算法的基本参数，所述基本参数包括：灰狼的个数、迭代次数，其中所述灰狼的个数大于三个；

S512、计算所述灰狼的适应度值；

S513、根据所述适应度值，依次确定前三个最优狼；

S514、根据所述前三个最优狼的位置，更新其他所述灰狼的位置；

S515、迭代次数加一，并计算当前所述灰狼的所述适应度值；

S516、将当前所述灰狼的所述适应度值与上一代所述灰狼的所述适应度值进行比较，选择其最小值作为最小适应度值；

S517、判断是否达到终止条件，若是，则将所述最小适应度值对应的所述灰狼的位置作为所述稀疏自编码器的最优稀疏惩罚因子，否则，返回步骤S513，继续更新所述灰狼的位置；其中，所述终止条件包括：所述最小适应度值小于预设的适应度阈值。

于本发明的一实施例中，所述根据适应度值，依次确定前三个最优狼的步骤包括：所述适应度值最小的所述灰狼作为第一所述最优狼，所述适应度值次之的所述灰狼依次作为第二、第三所述最优狼。

本发明还提供了一种基于VMD-SSAE的滚动轴承故障诊断分类系统，包括：

信号采集模块，用于采集不同故障类型的滚动轴承的振动信号；

特征提取模块，用于基于变分模态分解，提取所述振动信号的时域、频域和时频域特征；

数据集构建模块，用于将所述特征组成数据集，并将所述数据集分为训练集、验证集和测试集；

模型构建模块，用于将堆栈稀疏自编码器与Softmax分类器连接，构成VMD-SSAE分类模型，并用所述训练集训练所述VMD-SSAE分类模型；

模型优化模块，用于采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型；

故障诊断模块，用于将所述测试集中的数据输入所述VMD-SSAE分类模型中，以得到诊断分类结果。

于本发明的一实施例中，一种基于VMD-SSAE的滚动轴承故障诊断分类设备包括：处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如上所述的滚动轴承故障诊断分类方法。

于本发明的一实施例中，一种计算机刻度可读存储介质，其特征在于：包括程序，当所述程序在计算机上运行时，使得计算机执行如上所述的滚动轴承故障诊断分类方法。

如上所述，本发明提供的一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质，可以在时变非平稳性载荷以及不同轴承试验数据量下，较为准确地诊断出滚动轴承的故障类型；其次，本发明可自适应地对堆栈稀疏自编码器网络的稀疏惩罚因子进行最优选择，不仅减少了繁琐的工作量，也避免人为给定参数的主观性影响；所述VMD-SSAE分类模型也具有较好的容错性和鲁棒性，使之能够达到较好的故障诊断效果。

附图说明

图1为本发明提供的一种基于VMD-SSAE的滚动轴承故障诊断分类方法的流程示意图。

图2为本发明实施例中正常轴承和外圈滚动体复合型故障轴承的振动信号时域图。

图3为本发明实施例中步骤S2的流程示意图。

图4为本发明实施例中步骤S23的流程示意图。

图5为本发明实施例中正常轴承和外圈滚动体复合型故障轴承振动信号的VMD分解图。

图6为本发明实施例中自编码器的结构示意图。

图7为本发明实施例中SSAE网络与Softmax分类器连接的结构示意图。

图8为本发明实施例中步骤S51的流程示意图。

图9为本发明实施例中平稳载荷下模型的故障诊断分类结果图。

图10为本发明实施例中不同模型的诊断分类准确率折线图。

图11为本发明提供的一种基于VMD-SSAE的滚动轴承故障诊断分类系统的结构示意图。

元件标号说明

11 信号采集模块 14 模型构建模块

12 特征提取模块 15 模型优化模块

13 数据集构建模块 16 故障诊断模块

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本发明提供了一种基于VMD-SSAE的滚动轴承故障诊断分类方法，包括步骤：

S1、采集不同故障类型的滚动轴承的振动信号；

S2、基于变分模态分解，对振动信号进行时域、频域和时频域特征提取；

S3、将特征数据组成数据集，并将数据集分为训练集、验证集和测试集；

S4、将堆栈稀疏自编码器与Softmax分类器连接，构建VMD-SSAE分类模型，并用训练集训练VMD-SSAE分类模型；

S5、采用灰狼优化算法和误差反向传播算法对VMD-SSAE分类模型进行优化，以得到理想的VMD-SSAE分类模型；

S6、将测试集中的数据输入理想的VMD-SSAE分类模型中，得到诊断分类结果。

在本发明的一实施例中，对于步骤S1，例如采用试验机采集不同故障类型的滚动轴承的振动信号，所述试验机使用PCB三向加速度传感器，通过LMS Test.Lab软件中的Signature Acquisition模块对故障轴承的振动信号进行集。在本实施例中，试验轴承例如采用NU1010EM和N1010EM型号的单列圆柱滚动轴承，经过对所述试验轴承进行损伤点加工，现将试验轴承的故障类型分为九类，且每一类别的具体参数如下表1所示。

表1

按照不同的载荷和转速，将运行工况分为八个工况，且每一工况的描述如下表2所示。

表2

如图2所示，分别采集正常轴承和外圈滚动体复合型故障轴承在工况3、工况4、工况7、工况8下的振动信号，其中，采样频率为20480Hz。在本实施例中，将载荷、转速、升降速变化作为实验控制因素用拉丁超立方实验设计方法形成实验工况表，开展正常轴承和外圈滚动体复合型故障轴承寿命试验，采集时域振动信号。

如图3所示，进一步地，步骤S2还包括：

S21、对振动信号进行时域特征提取，获得时域特征数据；

S22、对振动信号进行频域特征提取，获得频域特征数据；

S23、采用变分模态分解，对振动信号进行时频域特征提取，获得时频域特征数据。

在本发明的一实施例中，对于步骤S21，滚动轴承的振动信号的时域特征包括平均值、峰值、波峰因子、裕度因子、脉冲系数、形状系数、均值方根、偏度、峭度、方差。所述时域特征对滚动轴承的故障反应灵敏，且与振动信号的幅值、频率具有较小的相关性，即时域特征与滚动轴承的工况相关性较小，只依赖振动信号的幅值分布函数，故将所述时域特征作为时域特征输入数据。

在本发明的一实施例中，对于步骤S22，振动信号中的频域信息是信号分析中非常重要的组成部分，可以通过频域特征信息判断滚动轴承的故障类型、故障严重程度以及发生故障的部位。其中，滚动轴承的振动信号的频域特征包括平均频率、重心频率、频率均方根、频率标准差，且将所述频域特征作为频域特征输入数据。

如图4所示，进一步地，步骤S23还包括：

S231、采用变分模态分解，对振动信号进行自适应分解，得到多个固有模态函数；

S232、对每一固有模态函数进行时频域特征提取，获得时频域特征数据。

如图5所示，在本发明的一实施例中，对于步骤S231，变分模态分解(VariationalMode Decomposition，VMD)是一种信号分解估计方法，该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离，且变分模态分解具有较好的噪声鲁棒性。在本实施例中，例如在工况4，即载荷为3kN，转速为3000r/min的情况下，分别对正常轴承和外圈滚动体复合型故障轴承的振动信号进行VMD分解，得到多个固有模态函数(Intrinsic ModeFunctions，IMF)，其中，分解层数k例如为3。

在本发明的一实施例中，对于步骤S232，分解得到三层IMF后，统计每一IMF的平均值、峰值、波峰因子、裕度因子、脉冲系数、形状系数、均方根值、偏度、峭度和方差，并将其作为时频域特征数据。

在本发明的一实施例中，对于步骤S3，分别将每一工况下，各故障类型的振动信号的时域、频域和时频域特征数据组成数据集，作为堆栈稀疏自编码器(Stack SparseAutoencoder，SSAE)神经网络的输入数据，并将所述数据集划分为训练集，验证集和测试集，训练集用来构建模型，验证集在模型构建过程中用于评价模型分类准确率，以自适应调整稀疏惩罚因子，测试集用来评估最终模型的泛化能力；同时，可以采用one-hot编码对不同的故障类型构建类别标签，各类别对应的故障类型与类别标签如下表3所示。

表3

在本发明的一实施例中，对于步骤S4，SSAE作为一种典型的深度学习模型，具有多个非线性隐含层，每个隐含层通过从原始数据信息中重新学习获得高级特征，能有效地解决特征冗余、高维特征的问题，同时SSAE还具有非线性表达能力强和泛化能力强的优点。

如图6所示，自编码器(Autoencoder，AE)是一种简单的三层无监督学习神经网络模型，它由一个编码器和一个解码器组成，包括输入层、隐藏层和输出层，其训练过程由编码过程和解码过程两部分组成，从输入层到隐含层是编码过程，从隐含层到输出层是解码过程，编码器将输入数据从高维空间转换为具有较低维的特征空间，而解码器可以从特征空间重建输入数据，最优化求解输入和输出数据之间的最小误差。首先，给定输入数据X＝{x

h

同样，运用非线性激活函数再将编码结果h

其中，W为权重，b为偏置，s(X)为非线性激活函数，采用sigmoid函数，表示为：

其次，采用均方差函数(MeanSquareError，MSE)作为自编码器的损失函数，则重构误差为：

其中，

为防止因特征过多而产生拟合问题，在损失函数中加入正则优化项以提高自编码器的泛化性能，则总损失函数为：

其中，λ为正则优化系数，L为网络层数，s

稀疏自编码器(Sparse Autoencoder，SAE)是基于自编码器在隐含层神经元加入系数约束，即在自编码器的目标函数上加上稀疏惩罚项。SAE可以学习更抽象和更有代表性的压缩特征，它提高了传统自编码器的性能，并显示出了更实际的应用价值。若输入样本为X＝{x

相对熵可以衡量两个随机分布之间的距离，相对熵的值随着两个随机分布差异的增大而增加，当两个随机分布相同时，它们的相对熵为零。引入相对熵后，惩罚因子表示为：

其中，D为隐含层神经元的个数；ρ为稀疏性系数，一般其取值近似等于零但是不为零，例如0.05。

因此，SAE的总损失函数为：

J

其中，β为稀疏惩罚因子，用于控制重构项和惩罚项之间的相对性。

堆栈稀疏自编码器(Stack Sparse Autoencoder，SSAE)是由多个稀疏自编码器串联堆叠而成。SSAE的目的就是逐层提取输入数据的高阶特征，在此过程中逐层降低输入数据的维度，将一个复杂的输入数据转化为一个简单的高阶特征，然后将高阶特征输入到分类器中，通过分类器实现对特征的分类。

如图7所示，在本发明的一实施例中，将例如三层的稀疏自编码器SAE1、SAE2和SAE3堆栈构成SSAE神经网络，并与Softmax分类器结合构建VMD-SSAE神经网络分类模型。SSAE神经网络将SAE1隐含层输出的特征作为SAE2的输入数据，将SAE2隐含层输出的特征作为SAE3的输入数据，使用梯度下降法逐层训练所述SSAE神经网络，并通过多次迭代更新各层网络的权值和偏置，最终提取输入的原始数据特征；然后通过连接在SSAE输出端的Softmax分类器实现故障诊断分类。其中，SSAE网络的输出向量表示为：

Y＝f(X，β

其中，X为输入向量；β

之后将SSAE网络的输出作为Softmax分类器的输入，则VMD-SSAE分类模型的输出向量P

其中，P(i)表示输入向量x属于类别i(i＝1，2...K)的概率，K为类别总数，在本实施例中，K＝9。

在本实施例中，还可以将验证集样本数据输入所述VMD-SSAE分类模型中，以VMD-SSAE分类模型对验证集的预测输出和验证集的类别标签之间的均方误差作为评价VMD-SSAE分类模型分类准确率的指标，其表示为：

其中，l为类别标签；N为验证集样本数据的个数；K为类别总数；P(β

因此，VMD-SSAE分类模型的数学模型可以表示为：

其中，P(β

进一步地，步骤S5还包括：

S51、采用灰狼优化算法对稀疏自编码器的稀疏惩罚因子进行自适应选取，以得到优化的VMD-SSAE分类模型中的稀疏惩罚因子；

S52、采用误差反向传播算法对优化后的VMD-SSAE分类模型进行微调，以得到理想的VMD-SSAE分类模型。

如图8所示，进一步地，步骤S51还包括：

S511、初始化灰狼优化算法的基本参数，所述基本参数包括：灰狼的个数、迭代次数，其中灰狼的个数大于三个；

S512、计算灰狼的适应度值；

S513、根据适应度值，依次确定前三个最优狼；

S514、根据前三个最优狼的位置，更新其他灰狼的位置；

S515、迭代次数加一，并计算当前灰狼的适应度值；

S516、将当前灰狼的适应度值与上一代灰狼的适应度值进行比较，选择其最小值作为最小适应度值；

S517、判断是否达到终止条件，若是，则将最小适应度值所对应的灰狼的位置作为稀疏自编码器的最优稀疏惩罚因子，否则，返回步骤S513，继续更新灰狼的位置；其中，终止条件包括：最小适应度值小于预设的适应度阈值，或，迭代次数达到预设的迭代次数上限。

灰狼优化算法(Grey Wolf Optimizer，GWO)是一种种群智能优化算法，它通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的，该算法具有较强的收敛性能、参数少、易实现等优点。在GWO算法中，将距离猎物最近的前三个灰狼个体定义为α，β，δ，在种群中它们具有最优适应度值，因此α，β，δ狼领导剩余狼群向搜索区域中有希望的空间搜寻猎物。

在本发明的一实施例中，对于步骤S511，例如灰狼种群的个数为50，预设的迭代次数上限为150次。

在本发明的一实施例中，对于步骤S512，利用公式(13)计算每个灰狼的适应度值：

fitness＝M

在本实施例中，对于步骤S513，根据每一灰狼的适应度值，依次确定前三个最优狼的原则为：适应度值最小所对应的灰狼作为第一最优狼，即α狼，然后适应度值次之所对应的灰狼依次作为第二、第三最优狼，即β，δ狼。

在本实施例中，对于步骤S514，在GWO算法中，灰狼与猎物，即最优稀疏惩罚因子之间的距离表示为：

其中，

因此，灰狼的位置更新表示为：

其中，

在本实施例中，令前三个最优狼的位置分别代替猎物初始的位置，使其他灰狼个体根据这三个最优灰狼个体的位置进行位置更新，即用α，β，δ狼的位置

上面方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本发明的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该发明的保护范围内。

在本发明的一实施例中，例如在不同工况下，每种故障类型有300个样本数据，随机抽取工况1、3、5、7中，每种故障类型样本数据的70％，即每种故障类型中的210个样本数据作为训练集；随机抽取工况1、3、5、7中，每种故障类型样本数据的20％，即每种故障类型中的60个样本数据作为验证集；随机抽取工况1、3、5、7中，每种故障类型样本数据的10％，即每种故障类型中的30个样本数据作为测试集0；且所述训练集、验证集、测试集0中的数据均不重复抽取。分别随机抽取工况2、4、6、8中，每种故障类型样本数据的10％、20％、30％、40％、50％、60％、70％、80％、90％、100％，并分别记为测试集1、测试集2、测试集3、测试集4、测试集5、测试集6、测试集7、测试集8、测试集9和测试集10，用它们来测试模型在不同载荷以及不同测试样本量下的故障诊断能力。在本实施例中，采用三层稀疏自编码器和Softmax分类器连接构建VMD-SSAE分类模型，且SAE1、SAE2以及SAE3的稀疏惩罚因子有GWO算法自适应选取。在本实施例中，采用混淆矩阵的形式表示模型的诊断分类结果，混淆矩阵是评判分类模型结果的指标，混淆矩阵的行表示数据所属的真实类别，列则表示分类模型对数据的预测类别，因此对角线上的元素表明模型分类正确的概率，而其他元素则表明分类混淆的概率。

如图9所示，在本实施例中，用测试集0对使用GWO算法自适应选取稀疏自编码器的稀疏惩罚因子后得到的模型进行故障诊断分类，其结果为：该模型的预测准确率为99.5％，仅存在少量的第五类故障数据被划分到第八类故障类型中，这是由于第五类和第八类故障中都包含外圈故障点数据，在特征分类过程中会出现少量的错误分类现象。因此，在平稳载荷下，该深度神经网络模型具有很好的故障诊断分类能力。

在本实施例中，分别使用测试集1至测试集10测试该模型在不同载荷以及测试样本量下的故障诊断能力，其诊断分类准确率如下表4所示。

表4

在不同载荷下，不同测试样本量的测试集分类准确率均高于98.0％，其中，测试集3和测试集5的分类准确率高达99.5％。因此，通过GWO算法优化的VMD-SSAE模型在不同载荷以及不同测试样本量下具有良好的故障诊断能力。

如图10所示，在本发明的一实施例中，为了验证使用GWO算法优化所述VMD-SSAE分类模型的有效性，将使用GWO算法优化的SSAE模型分别与参数随机的SSAE模型、SAE模型、KNN(K-Nearest Neighbor，K最邻近分类算法)以及SVM(Support Vector Machines，支持向量机)进行对比，比较其诊断分类准确率。在本实施例中，使用训练集分别对所述模型进行训练，再用测试集1至测试集10对训练好的模型进行测试，其中，参数随机的SSAE模型的稀疏惩罚因子为随机参数且与本发明中的稀疏惩罚因子不同；SAE模型的参数为：隐含层神经元数量设为9，最大迭代次数设为150次，正则化系数设为0.002，稀疏性系数设为0.3，稀疏惩罚因子为随机参数，Softmax分类器的最大迭代次数设为100次；SVM采用径向基函数(Radial Basis Function，RBF)作为其核函数，且核函数参数设为0.3，惩罚因子设为1.2。不同模型的平均分类准确率如下表5所述。

表5

其对比结果为：五种模型的分类准确率均在90％以上；其中，准确率最高为99.5％，对应为优化的SSAE模型，准确率最低为90.2％，对应为SAE模型，这表明本发明提出的在时域、频域和时频域下进行特征提取的有效性，即通过以上特征提取可以很好地提取不同故障类型的特征。通过对比五种模型的平均分类准确率可知，使用GWO算法优化的SSAE模型和参数随机的SSAE模型的故障分类准确率要高于其他模型，但由于参数随机的SSAE模型和SAE模型的稀疏惩罚因子均采用随机参数，导致两个模型在不同测试集下的分类准确率有一定的波动。因此，采用GWO算法优化的VMD-SSAE模型在不同载荷以及不同测试数据量下具有良好的故障诊断分类能力。

如图11所示，本发明还提供了一种基于VMD-SSAE的滚动轴承故障诊断分类系统，包括：信号采集模块11、特征提取模块12、数据集构建模块13、模型构建模块14、模型优化模块15、故障诊断模块16。其中，信号采集模块11用于采集不同故障类型的滚动轴承的振动信号；特征提取模块12用于基于变分模态分解，提取所述振动信号的时域、频域和时频域特征；数据集构建模块13用于将所述特征组成数据集，并将所述数据集分为训练集、验证集和测试集；模型构建模块14用于将堆栈稀疏自编码器与Softmax分类器连接，构成VMD-SSAE分类模型，并用所述训练集训练所述VMD-SSAE分类模型；模型优化模块15用于采用灰狼优化算法和误差反向传播算法对所述VMD-SSAE分类模型进行优化，以得到理想的所述VMD-SSAE分类模型；故障诊断模块16用于将所述测试集中的数据输入所述VMD-SSAE分类模型中，以得到诊断分类结果。

需要说明的是，为了突出本发明的创新部分，本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的模块引入，但这并不表明本实施例中不存在其它的模块。

此外，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁盘或者光盘等各种可以存储程序代码的介质。

在本发明的一实施例中，一种基于VMD-SSAE的滚动轴承故障诊断分类设备包括：处理器，所述处理器与存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时，可实现所述滚动轴承故障诊断分类的方法。

如上所述，本发明提供的一种基于VMD-SSAE的滚动轴承故障诊断分类方法、系统、设备及其存储介质，可以在时变非平稳性载荷以及不同轴承试验数据量下，较为准确地诊断出滚动轴承的故障类型；其次，本发明可自适应地对堆栈稀疏自编码器网络的稀疏惩罚因子进行最优选择，不仅减少了繁琐的工作量，也避免人为给定参数的主观性影响；所述VMD-SSAE分类模型也具有较好的容错性和鲁棒性，使之能够达到较好的故障诊断效果。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。