[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 |
| 地址： | 201620 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 改進 進化 算法 優化 隨機 森林 滾動軸承 故障診斷 方法 | ||
本發明涉及一種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，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，Ptrain為訓練隨機森林模型的輸入特征矩陣，Qtrain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。本發明使用改進的差分進化算法優化隨機森林可以實現參數的自適應調整，使得模型優異的魯棒性和準確度。
技術領域
本發明屬于故障智能診斷技術領域，涉及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。
背景技術
人工智能算法在當今得到了長足的發展，智能診斷方法也廣泛的應用于滾動軸承的故障診斷中。隨機森林就是最為典型的智能診斷方法之一。和其他算法一樣，隨機森林同樣帶有需要調節的超參數，針對不同的故障診斷問題超參數都有不同的最優組合。人工調節超參數需要花費大量的時間，而故障診斷領域通常希望算法盡快做出響應，所以將最優化方法引入故障診斷領域非常具有現實意義。差分進化算法是進化算法的重要分支之一，它的優勢不僅表現在性能和收斂速度上，同時它還擁有極高的可操控性，只有三個參數需要指定。但與其他最優化方法一樣，差分進化算法同樣容易陷入局部最優，無法尋找到最優的超參數組合，從而使得隨機森林算法無法取得高精度的故障診斷結果。
發明內容
為解決現有技術中存在的問題，本發明提供一種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；
為達到上述目的，本發明采用的方案如下：
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，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，Ptrain為訓練隨機森林模型的輸入特征矩陣，Qtrain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Ptrain和Qtrain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_estimatorsG,best、min_samples_leafG,best、max_featureG,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_estimatorsG,best、min_samples_leafG,best、max_featureG,best組成為列向量zG，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；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海工程技術大學，未經上海工程技術大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110232797.8/2.html，轉載請聲明來源鉆瓜專利網。
