[發明專利]一種優化多核多特征融合支持向量機用于軸承故障識別的方法

有效

• 申請號: 201711318123.X
• 申請日: 2017-12-12
• 公開（公告）號: CN108062564B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 張超;范業銳;石煒;楊柳;王建國;何園園;朱騰飛
• 申請（專利權）人: 內蒙古科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 鄭州市華翔專利代理事務所(普通合伙) 41122
• 代理人: 張愛軍

本發明涉及一種優化多核多特征融合支持向量機用于軸承故障識別的方法，選擇單一傳感器下采集的軸承振動信號；將不同轉速下軸承振動信號經EMD分解得到IMF能量熵及IMF排列熵；抽取不同轉速下IMF能量熵與IMF排列熵融合，得到包含不同轉速信息的融合特征，用于支持向量機訓練樣本，以獲取適應于不同轉速下故障識別的多核多特征融合支持向量機；綜合高斯徑向基函數核與多項式函數核性能，將訓練樣本通過非線性函數空間向高維空間映射的線性回歸，使得訓練樣本按不同特性分類，構成多核最小二乘支持向量機，使得支持向量機能夠識別變載荷下故障特征；將訓練樣本采用具有較強收斂性的自我調節粒子群算法進行參數優化，然后和測試樣本比較，進行軸承故障識別。

技術領域

本發明涉及旋轉類機械故障識別方法，尤其是涉及一種用于高精度軸承故障識別的自我 調節粒子群優化多核多特征融合支持向量機。

背景技術

大型旋轉類機械通常置于惡劣環境及人煙稀少地區，一般的故障檢測方法需要人員定期 獲取特征信息，并進行復雜的分析處理，耗費大量人力物力。支持向量機作為一種智能模式 識別方法，不需要人員長期留守或者人為分析出故障位置，因此被廣泛用于旋轉類機械故障 診斷中。例如，公開號為CN107065568A的發明專利提出了一種基于粒子群支持向量機的變壓 器故障診斷方法，公開號為CN103679263A的發明專利提出了一種基于粒子群支持向量機的雷 電臨近預測方法；公開號為CN101655456A的發明專利提出了一種基于粒子群支持向量機的高 壓絕緣子等值鹽密光纖檢測方法。

首先，支持向量機核函數中多項式核函數核為全局核，具有較強的泛化能力，但學習能 力較弱；高斯徑向基函數核為局部核，學習能力良好，但泛化能力弱。其次，單一特征下支 持向量機模式識別信息不夠充分，比如在變載荷下的模式識別，必須通過融合特征以獲取更 完備的信息。Yu Kun將多個傳感器下的信息通過EEMD分解得到的能量熵融合作為特征向量。 多傳感器對故障信號的采集較為全面，但需要布置多位置傳感器。加速度傳感器用于軸承振 動信號檢測時，安裝位置應盡可能靠近軸承。多傳感器安裝較為繁瑣，并且通常不具備多個 可供測量位置。

因此，有必要對粒子群優化支持向量機進行進一步的優化改進，以獲取更高故障識別精 度的多核多特征融合支持向量機。

發明內容

本發明針對現有技術不足，提出了一種優化多核多特征融合支持向量機用于軸承故障識 別的方法，綜合高斯徑向基核函數與多項式核函數性能，構成多核多特征融合最小二乘支持 向量機(Least square support vector machine，LSSVM)，并通過具有較強收斂性的自我調 節粒子群算法(Self regulating particle swarm optimizationalgorithm，SRPSO)優化 其參數。與多位置傳感器信息融合相比，多種熵值的融合不需要繁瑣的傳感器測量系統，并 獲得更全面的特征信息。

本發明所采用的技術方案：

一種優化多核多特征融合支持向量機用于軸承故障識別的方法，步驟如下：

S1.選擇單一傳感器下采集的軸承振動信號；

S2.將不同轉速下軸承振動信號經EMD分解得到IMF能量熵及IMF排列熵；

S3.抽取不同轉速下的IMF能量熵與IMF排列熵融合，得到包含不同轉速信息的融合特征，用 于支持向量機訓練樣本，以獲取適應于不同轉速下故障識別的多核多特征融合支持向量機；

S4.綜合高斯徑向基函數核與多項式函數核性能，將訓練樣本通過非線性函數空間向高維空間 映射的線性回歸，使得訓練樣本按不同特性分類，構成多核最小二乘支持向量機，使得支持 向量機能夠識別變載荷下故障特征；

S5.將訓練樣本采用具有較強收斂性的自我調節粒子群算法進行參數優化，然后和測試樣本比 較，進行軸承故障識別。