[發明專利]改進差分進化算法優化隨機森林的滾動軸承故障診斷方法

有效

• 申請號: 202110232797.8
• 申請日: 2021-03-03
• 公開（公告）號: CN113095355B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 李媛媛;孫祺淳;曹樂;江蓓;姚煒;唐明;侯玲玉;陳嘉航
• 申請（專利權）人: 上海工程技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N20/00;G06F17/16;G01M13/045
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 杜亞

1.改進差分進化算法優化隨機森林的滾動軸承故障診斷方法，其特征是：包括采用改進差分進化算法優化隨機森林的故障診斷模型和依此改進差分進化算法優化隨機森林的故障診斷模型進行故障診斷；

所述采用改進差分進化算法優化隨機森林的故障診斷模型為：

所述中，P_train為訓練隨機森林模型的輸入特征矩陣，Q_train為訓練隨機森林模型的一維列向量；

所述依此模型進行故障診斷是指將待故障診斷的滾動軸承的輸入特征矩陣P輸入到所述故障診斷模型中，得到一維列向量Q，Q中出現0代表正常，出現1代表滾動體故障，出現2代表外圈故障，出現3代表內圈故障，出現4代表保持架故障；

所述是關于隨機森林的三個參數、輸入特征矩陣為P和基于P_train和Q_train建立的隨機森林滾動軸承故障診斷模型；將隨機森林中的三個參數n_estimators、min_samples_leaf和max_feature作為種群內的個體向量，使用改進差分進化算法進行優化；即隨機森林的三個參數分別為：

所述中，G為改進差分進化算法的最大迭代次數，n_estimators_G,best、min_samples_leaf_G,best、max_feature_G,best均為改進差分進化算法從第G代種群中選出的對于隨機森林算法而言精度最高的參數，將n_estimators_G,best、min_samples_leaf_G,best、max_feature_G,best組成為列向量z_G，為改進差分進化算法從第G代種群中選出的對于隨機森林算法而言精度最高的個體向量；

所述待故障診斷的滾動軸承的輸入特征矩陣P為滾動軸承從正常運行至因發生故障而導致其損壞失效的全壽命周期數據R的九個時域特征構成的矩陣，發生的故障為滾動體故障、外圈故障、內圈故障或保持架故障中的其中一個；

其中，R的數據個數為L×t，L為在一秒的時間內采集的數據個數即采樣頻率，t為滾動軸承從正常運行至因發生故障而導致其損壞失效采集數據的總時間；P的列數為9，行數為t；

所述九個時域特征是指按照R中數據的時間順序，分別計算出L×1、L×2、…、L×t的均方根X_rms、平均值X_mean、方差X_var、標準差X_std、偏度X_skew、峭度X_kurt、波形因子X_form、峰值因子X_crest和脈沖因子X_pulse；所述九個時域特征構成的矩陣如下：

P＝[X_rms,X_mean,X_var,X_std,X_skew,X_kurt,X_form,X_crest,X_pulse]；

所述采用改進差分進化算法優化隨機森林的故障診斷模型中，采用多種群交流策略，改進差分進化算法的種群交流策略為基于種群中最優個體向量相關性的交流策略，數學表達式如下：

其中i≠j，且i,j∈[1,NP]，NP為種群個數，x_j,worst,g為第g代中第j個種群里的精度最低的個體向量，x_i,best,g為第g代中第i個種群里精度最高的個體向量；α為判斷兩個最優個體向量是否相似的閾值；若小于閾值，則用i種群中最優個體向量取代j種群中最劣個體向量；

所述采用改進差分進化算法優化隨機森林的故障診斷模型中，改進差分進化算法的縮放因子F的數學表達式如下：

其中，g代表當前進化代數，G代表進化的總次數；m和n為縮放因子F的上限和下限；

所述采用改進差分進化算法優化隨機森林的故障診斷模型中，改進差分進化算法的交叉因子CR的數學表達式如下：

其中，g代表當前進化代數，G代表改進差分進化算法的最大迭代次數；rand[0,1]為隨機生成的0到1范圍內的隨機數，p和q為交叉因子CR的上限和下限；

所述采用改進差分進化算法優化隨機森林的故障診斷模型中，采用種群拓展策略，改進差分進化算法的種群拓展策略的數學表達式如下：

當連續三代種群的進化陷入停滯時引入拓展策略，即：

f(x_best,g-2)＝f(x_best,g-1)＝f(x_best,g)；

其中，f(x_best,g-2)為個體向量x_best,g-2的適應度值；f(x_best,g-1)為個體向量x_best,g-1的適應度值；f(x_best,g)為個體向量x_best,g的適應度值；x_best,g-2為第g-2代中精度最高的個體向量；x_best,g-1為第g-1代中精度最高的個體向量；x_best,g為第g代中精度最高的個體向量；再對當前代個體向量x_best,g施加一個隨機擾動，并取代全種群中任意一個向量，數學表達式如下：

其中，x_λ,μ,g為第g代中第λ種群中第μ個個體，NP為種群個數，N為每一個種群內的個體向量的數量；a₁,a₂,...,a_n為隨機森林待優化的參數，n＝3；C為擾動系數。