[發(fā)明專利]一種優(yōu)化多核多特征融合支持向量機(jī)用于軸承故障識(shí)別的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201711318123.X
• 申請(qǐng)日: 2017-12-12
• 公開（公告）號(hào): CN108062564B
• 公開（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 張超;范業(yè)銳;石煒;楊柳;王建國;何園園;朱騰飛
• 申請(qǐng)（專利權(quán)）人: 內(nèi)蒙古科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/00
• 代理公司: 鄭州市華翔專利代理事務(wù)所(普通合伙) 41122
• 代理人: 張愛軍

1.一種優(yōu)化多核多特征融合支持向量機(jī)用于軸承故障識(shí)別的方法，步驟如下：

S1.選擇單一傳感器下采集的軸承振動(dòng)信號(hào)；

S2.將不同轉(zhuǎn)速下軸承振動(dòng)信號(hào)經(jīng)EMD分解得到IMF能量熵及IMF排列熵；

S3.抽取不同轉(zhuǎn)速下的IMF能量熵與IMF排列熵融合，得到包含不同轉(zhuǎn)速信息的融合特征，用于支持向量機(jī)訓(xùn)練樣本，以獲取適應(yīng)于不同轉(zhuǎn)速下故障識(shí)別的多核多特征融合支持向量機(jī)；

S4.綜合高斯徑向基函數(shù)核與多項(xiàng)式函數(shù)核性能，將訓(xùn)練樣本通過非線性函數(shù)空間向高維空間映射的線性回歸，使得訓(xùn)練樣本按不同特性分類，構(gòu)成多核最小二乘支持向量機(jī)，使得支持向量機(jī)能夠識(shí)別變載荷下故障特征；多核最小二乘支持向量機(jī)構(gòu)建及參數(shù)優(yōu)化過程如下：

選擇合適的高斯徑向基函數(shù)核參數(shù)g、多項(xiàng)式核參數(shù)c及組合核系數(shù)p，

高斯徑向基函數(shù)核：K_g＝exp(-g·||x-x_i||²)；

多項(xiàng)式核定義為:K_d＝(x^Tx_i+1)^c；

組合核函數(shù)：K＝p·(x^Tx_i+1)^c+(1-p)·exp(-g·||x-x_i||²)；

通過SRPSO優(yōu)化參數(shù)p、c、g，支持向量機(jī)識(shí)別精度作為適應(yīng)度指標(biāo)，適應(yīng)度指標(biāo)越大表示故障識(shí)別精度越高；設(shè)參數(shù)p、c、g為SRPSO粒子，其優(yōu)化步驟如下：

1)初始化粒子群的位置和速度；

2)以支持向量機(jī)精度作為粒子適應(yīng)度值，計(jì)算各粒子的適應(yīng)度值，初始粒子歷史最優(yōu)位置Pbest，并比較歷史最優(yōu)位置適應(yīng)度以得出初始?xì)v史全局最優(yōu)位置Gbest；

3)計(jì)算各粒子自我調(diào)節(jié)慣性權(quán)重w；對(duì)于最好粒子為：w＝w+η*Δw；其他粒子為：w＝w-Δw，其中w_I為慣性權(quán)重初始值，w_F慣性權(quán)重終止值，N_Iter迭代次數(shù)，η控制加速速率常量；

4)更新粒子速度v和位置；

速度更新其中，c₁，c₂為加速度系數(shù)，r₁、r₂為(0,1)隨機(jī)數(shù)；P為粒子社會(huì)認(rèn)知:a為隨機(jī)數(shù)，λ為設(shè)定閾值，取0.5；

更新每個(gè)粒子的歷史最好位置和粒子群全局最好位置；判斷是否達(dá)到結(jié)束條件，若未達(dá)到條件則返回步驟2)；

S5.將訓(xùn)練樣本采用具有較強(qiáng)收斂性的自我調(diào)節(jié)粒子群算法進(jìn)行參數(shù)優(yōu)化，然后和測(cè)試樣本比較，進(jìn)行軸承故障識(shí)別。