本发明属于轴承故障诊断，具体涉及一种带式输送机轴承故障诊断方法、系统、设备及介质。
背景技术：
1、带式输送机作为散料运输的主要装置，被广泛运用于矿山、冶金、港口等工业领域，具有输送能力强、结构简单、成本低廉和通用性好等优点。但是由于带式输送机运行工况通常较为恶劣，重载、疲劳、腐蚀、高温等因素使其核心零部件不可避免地发生不同程度的故障。零部件中滚筒轴承作为主要支撑部件，其健康程度严重影响设备的运行状态和运行效率。一旦发生故障必将影响整个生产作业，甚至导致生产瘫痪，造成不可弥补的经济损失。因此，对于滚动轴承故障诊断方面开展研究，对于提高带式输送机的运行可靠性，从而为带式输送机的安全、高效运行提供技术保障，具有重要的理论与现实意义。
2、目前，对滚动轴承故障诊断的研究主要分为三个阶段：第一阶段是以信号处理算法为核心的信号处理方法研究，通过对振动故障信号等进行处理和分析，结合均方根值、熵值等统计特征与信号降噪、特征提取、特征增强等信号处理技术对滚动轴承故障进行提取和判别；第二阶段是以支持向量机等方法为代表的机器学习方法在故障诊断中的应用研究，通过统计原理和数学模型来智能地识别轴承故障；第三阶段是以卷积神经网络cnn 等为代表的深度学习在故障诊断中的应用，可以自动学习原始信号中的特征实现滚动轴承的智能诊断。cnn模型具有非常强的特征学习能力，在复杂多变的情况下也可以保持较高的识别准确率。但由于cnn 超参数众多，结构参数复杂。在建模型时，通常需反复实验并结合人工经验以确定最佳模型，且对不同工况需重建模型，这在一定程度上限制了cnn在故障诊断领域方面的应用。经过实验证明，通过智能优化算法自动选取 cnn 模型的超参数可实现模型的自适应构建，与手动设置参数相比，该方法具有更高的自适应性和诊断准确率，且避免了人工主观因素引入的误差。但传统的智能故障诊断模型的超参数寻优，多采用粒子群算法及其变体，存在计算能力弱、收敛速度慢以及容易陷入局部最优解等问题。
技术实现思路
1、本发明的目的在于提出一种带式输送机轴承故障诊断方法，该方法基于cnn模型搭建轴承故障诊断模型，并利用多策略融合改进鲸鱼搜索算法msoa对cnn模型的超参数进行优化，避免人工筛选参数引入的主观误差并且具有更高的诊断精度和稳定性，同时将cnn模型的softmax分类器替换为lssvm分类器，利于提高轴承故障诊断的准确性和可靠性。
2、本发明为了实现上述目的，采用如下技术方案：
3、一种带式输送机轴承故障诊断方法，包括如下步骤：
4、步骤1. 首先获取轴承振动信号数据，并进行标准化处理；然后将标准化处理后得到的一维振动信号数据转化为二维灰度图形式，并将其划分为训练集和测试集；
5、步骤2. 搭建基于cnn 模型框架的轴承故障诊断模型，用于实现轴承故障诊断；其中，cnn模型框架中的softmax分类器利用lssvm分类器进行替代；
6、步骤3. 通过多策略融合改进鲸鱼搜索算法msoa对cnn模型的超参数进行优化，自适应获取cnn 模型的最优超参数；
7、步骤4. 利用训练集对具有最优超参数的cnn模型进行训练，得到训练好的轴承故障诊断模型，并利用测试集对训练好的轴承故障诊断模型进行测试；
8、步骤5. 利用训练好的轴承故障诊断模型对带式输送机进行轴承故障诊断。
9、此外，在上述带式输送机轴承故障诊断方法的基础上，本发明还提出了一种与之对应的带式输送机轴承故障诊断系统，其采用如下技术方案：
10、一种带式输送机轴承故障诊断系统，包括如下模块：
11、预处理模块，用于获取轴承振动信号数据，并进行标准化处理；然后将标准化处理后得到的一维振动信号数据转化为二维灰度图形式，并将其划分为训练集和测试集；
12、模型构建模块，用于搭建基于cnn 模型框架的轴承故障诊断模型，用于实现轴承故障诊断；其中，cnn模型框架中的softmax分类器利用lssvm分类器进行替代；
13、模型超参数自适应获取模块，用于通过多策略融合改进鲸鱼搜索算法msoa对cnn模型的超参数进行优化，自适应获取cnn 模型的最优超参数；
14、模型训练及测试模块，用于利用训练集对具有最优超参数的cnn模型进行训练，得到训练好的轴承故障诊断模型，并利用测试集对训练好的轴承故障诊断模型进行测试；
15、以及故障诊断模块，利用训练好的轴承故障诊断模型对带式输送机进行轴承故障诊断。
16、此外，在上述带式输送机轴承故障诊断方法的基础上，本发明还提出了一种用于实现上述带式输送机轴承故障诊断方法的计算机设备。
17、该计算机设备包括存储器和处理器，存储器中存储有可执行代码，处理器执行所述可执行代码时，用于实现上面述及的带式输送机轴承故障诊断方法的步骤。
18、此外，在上述带式输送机轴承故障诊断方法的基础上，本发明还提出了一种用于实现上述带式输送机轴承故障诊断方法的计算机可读存储介质。
19、该计算机可读存储介质，其上存储有程序，当该程序被处理器执行时，用于实现上面述及的带式输送机轴承故障诊断方法的步骤。
20、本发明具有如下优点：
21、如上所述，本发明述及了一种带式输送机轴承故障诊断方法、系统、设备及介质。本发明基于cnn模型搭建轴承故障诊断模型，并利用多策略融合改进鲸鱼搜索算法（mixstrategy based improved whale optimization algorithm,mswoa)对cnn模型的超参数进行优化，避免人工筛选参数引入的主观误差并且具有更高的诊断精度和稳定性，同时将cnn模型的softmax分类器替换为lssvm分类器，利于提高轴承故障诊断的准确性和可靠性。其中，本发明针对鲸鱼搜索算法(whale optimization algorithm,woa)在迭代后期种群多样性减少，容易陷入局部最优，全局和局部搜索不平衡的问题，创新性地提出用sobol序列初始化种群、非线性时变因子、自适应权重改进公式、随机学习策略相结合，提出了一种多策略融合改进鲸鱼搜索算法。本发明将mswoa用于自适应获取cnn 最优超参数，构建 mswoa优化的cnn 模型，在对模型超参数优化时，mswoa有最快的收敛速度和最高的测试精度。该方法不需要先验知识就可自动获取cnn的最优超参数，提升了算法效率，避免了人工筛选参数引入的主观误差，并且具有更高的诊断精度和稳定性，极大增强了诊断模型的泛化性与智能化水平。此外，针对cnn模型训练中存在的测试集准确率对比训练集准确率偏低的问题，本发明还提出了一种基于mswoa、cnn模型和lssvm分类器组合的故障诊断模型，即用lssvm分类器代替cnn中的softmax分类器，利用cnn网络模型强大的特征学习能力，通过卷积核池化操作对原始的数据进行特征的学习及提取，自动选择并提取故障特征，这些特征能够最大化的表征原始数据，避免了人工经验的干预的同时提取效果更好，随后将提取出的特征输入到lssvm分类器中进行故障识别分类，充分发挥cnn模型与lssvm分类器的优势。
1.一种带式输送机轴承故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的带式输送机轴承故障诊断方法，其特征在于，
3.根据权利要求1所述的带式输送机轴承故障诊断方法，其特征在于，
4.根据权利要求3所述的带式输送机轴承故障诊断方法，其特征在于，
5.根据权利要求4所述的带式输送机轴承故障诊断方法，其特征在于，
6.根据权利要求5所述的带式输送机轴承故障诊断方法，其特征在于，
7.根据权利要求6所述的带式输送机轴承故障诊断方法，其特征在于，
8.一种带式输送机轴承故障诊断系统，其特征在于，包括如下模块：
9.一种计算机设备，包括存储器和处理器，存储器中存储有可执行代码，其特征在于，
10.一种计算机可读存储介质，其上存储有程序，其特征在于，当该程序被处理器执行时，用于实现如上述权利要求1至7任一项所述的带式输送机轴承故障诊断方法的步骤。
