基于OCSSA优化VMD与CNN-BiLSTM的轴承故障诊断方法
1. 项目概述
轴承作为机械设备中的核心部件，其运行状态直接影响整个系统的可靠性。传统轴承故障诊断方法往往依赖专家经验和简单信号处理技术，难以应对复杂工况下的早期微弱故障识别。本项目提出了一种融合鱼鹰优化算法(Osprey Optimization Algorithm)和柯西变异的麻雀搜索算法(Sparrow Search Algorithm)的改进优化器OCSSA，结合变分模态分解(VMD)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)，构建了一套端到端的智能诊断系统。
关键创新点：OCSSA算法通过引入鱼鹰捕食策略增强全局搜索能力，结合柯西变异避免局部最优，显著提升了VMD参数优化的准确性，为后续特征提取奠定了坚实基础。
2. 核心算法解析
2.1 OCSSA优化器设计
鱼鹰优化策略的引入主要体现在三个方面：
螺旋俯冲机制：模拟鱼鹰高空锁定目标后的螺旋下降轨迹，在搜索空间中进行三维螺旋式探索
% 螺旋位置更新公式 theta = 2*pi*rand(1,Dim); r = R0 + 0.1*randn; new_pos = best_pos + r.*sin(theta).*levy_flight(Dim);视觉敏锐度调整：根据适应度值动态调整搜索步长，在接近最优解时自动减小搜索范围
柯西变异增强：在算法停滞时施加柯西扰动
if std(fitness)<1e-3 cauchy = tan(pi*(rand(1,Dim)-0.5)); new_pos = best_pos.*(1+0.1*cauchy); end
2.2 VMD参数优化
VMD的核心参数[α, K]通过OCSSA进行联合优化：
- α：带宽控制参数，影响模态分量带宽
- K：模态数量，决定分解层数
优化目标函数设计为包络熵最小化：
function [fitness] = obj_func(params) [u, ~, ~] = VMD(signal, params(1), params(2)); fitness = 0; for k=1:params(2) fitness = fitness + entropy(hilbert(u(k,:))); end end3. 诊断模型架构
3.1 特征提取模块
VMD处理流程：
- 原始振动信号→OCSSA优化VMD→6个IMF分量
- 计算每个IMF的时域特征（峰峰值、峭度等）和频域特征（重心频率、均方频率）
特征矩阵构建：
特征类型 计算方式 维度 时域特征 均值、方差、峭度等12项 12×6 频域特征 FFT谱特征、包络谱特征8项 8×6 非线性特征 样本熵、排列熵等4项 4×6
3.2 CNN-BiLSTM网络设计
layers = [ sequenceInputLayer(inputSize) % CNN分支 convolution1dLayer(5,32,'Padding','same') batchNormalizationLayer reluLayer maxPooling1dLayer(2,'Stride',2) % BiLSTM分支 bilstmLayer(64,'OutputMode','sequence') dropoutLayer(0.3) % 特征融合 concatenationLayer(1,2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];训练技巧：采用动态学习率策略，初始学习率0.001，当验证集准确率不再提升时降至原来的1/5
4. 西储大学数据预处理
4.1 数据增强策略
- 时域切片：将长序列切分为5000点/段的样本
- 噪声注入：添加SNR=15dB的高斯白噪声
- 幅值缩放：随机缩放0.9-1.1倍
- 时移增强：随机偏移±100个采样点
4.2 数据集划分
| 故障类型 | 训练样本 | 测试样本 | 采样频率 |
|---|---|---|---|
| 内圈故障 | 800 | 200 | 12kHz |
| 外圈故障 | 800 | 200 | 12kHz |
| 滚动体故障 | 600 | 150 | 12kHz |
| 正常状态 | 1000 | 250 | 12kHz |
5. 关键实现细节
5.1 Matlab代码结构
├── OCSSA/ │ ├── osprey_update.m # 鱼鹰策略实现 │ ├── cauchy_mutation.m # 柯西变异 ├── VMD/ │ ├── optimized_vmd.m # 参数优化接口 │ ├── vmd.m # 原始VMD实现 ├── Models/ │ ├── cnn_bilstm.m # 网络定义 │ ├── train_model.m # 训练脚本 ├── Utils/ │ ├── data_loader.m # 数据加载 │ ├── feature_extract.m # 特征提取5.2 核心参数设置
% OCSSA参数 options.MaxIter = 50; % 最大迭代次数 options.PopSize = 30; % 种群规模 options.R0 = 1.5; % 初始搜索半径 % VMD参数范围 lb = [100 3]; % α下限, K下限 ub = [3000 10]; % α上限, K上限 % CNN-BiLSTM训练参数 miniBatchSize = 32; maxEpochs = 100; validationFrequency = 30;6. 性能对比实验
6.1 消融实验结果
| 模型变体 | 准确率(%) | 召回率(%) | F1-Score |
|---|---|---|---|
| OCSSA-VMD-CNN-BiLSTM | 99.2 | 98.7 | 0.989 |
| SSA-VMD-CNN-BiLSTM | 97.1 | 96.3 | 0.967 |
| VMD-CNN-BiLSTM | 95.4 | 94.2 | 0.948 |
| CNN-BiLSTM | 92.8 | 91.5 | 0.921 |
6.2 不同负载下的泛化能力
| 负载条件 | 0HP | 1HP | 2HP | 3HP |
|---|---|---|---|---|
| 准确率 | 99.1 | 98.3 | 97.6 | 96.9 |
7. 工程部署建议
实时性优化：
- 将训练好的CNN-BiLSTM模型转换为TensorRT引擎
- 使用C++重写VMD计算核心
- 采用双缓冲机制处理数据流
边缘设备适配：
% 网络量化示例 quantOpts = dlquantizationOptions('TargetDevice','GPU'); calData = load('calibration_data.mat'); quantizedNet = quantize(net, calData, quantOpts);故障可视化方案：
- 开发基于Web的三维轴承状态监测界面
- 实现故障特征热力图展示
- 集成历史数据对比分析功能
8. 常见问题排查
VMD模态混叠：
- 现象：IMF分量出现频率重叠
- 解决：增大α参数权重，或调整K值
梯度消失问题：
- 现象：训练后期准确率不再提升
- 解决：在BiLSTM层后添加Layer Normalization
过拟合处理：
% 数据增强代码示例 augmentedData = audioDataAugmenter(... 'AddNoiseProbability',0.3,... 'TimeStretchProbability',0.2,... 'PitchShiftProbability',0.2);内存溢出应对：
- 减少batch size
- 使用memmapfile处理大文件
- 启用MATLAB的Tall Array特性
在实际部署中发现，当采样频率超过20kHz时，建议先进行抗混叠滤波再输入模型。对于变转速工况，可考虑在前端添加阶比分析模块。模型推理时间在RTX3060显卡上可控制在8ms以内，满足大多数工业场景的实时性要求。