[發明專利]一種基于改進麻雀搜索算法的軸承故障檢測方法

在審

• 申請號: 202310352691.0
• 申請日: 2023-04-04
• 公開（公告）號: CN116380460A
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 檀健;韓斌彬
• 申請（專利權）人: 南京郵電大學
• 主分類號: G01M13/04
• 分類號: G01M13/04;G06F18/2411;G06N3/006
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 王素琴

一種基于改進麻雀搜索算法的軸承故障檢測方法，在種群初始化階段引入了一個改進的Chebyshev混沌映射來增加種群的多樣性，提高麻雀個體的遍歷性，使得種群可以盡可能均勻分布搜索空間，達到更好的種群初始化效果；增加一種慣性權值來改善發現者的更新位置，以減小過早陷入局部最優的概率；提出一種自適應的選擇變異策略，為麻雀在陷入局部最優時能夠跳出，避免了現有技術容易出現的陷入局部最優解的問題。

技術領域

本發明涉及電機設備領域，具體涉及一種基于改進麻雀搜索算法的軸承故障檢測方法。

背景技術

電機軸承是一個用于支撐電機軸的零件，電機的軸從軸承的內圈穿過，外圈固定在電機殼上。滾珠軸承在內外圈之間有一圈滾珠，當電機旋轉時帶動內圈旋轉，滾珠隨之運動。軸承的使用可以避免電機軸與電機外殼產生的較大摩擦。軸承的使用壽命以及可靠性對主機的使用壽命有決定性作用。在機械設備上，有旋轉的地方就有軸承。軸承屬于精密零件，軸承內外圈以及軸承滾珠出現的壓痕裂紋都會對軸承的工作性能產生不良影響，進而導致設備使用壽命受到影響。在機械故障診斷任務上之前只能依靠大量的人工經驗，分析故障原因。所以可以考慮用機器學習的方法進行故障診斷。

軸承故障檢測的核心內容是高效精準的故障分類，其關鍵部件是分類器,而分類器的性能很大程度上取決于初始參數的選取。將群體智能算法運用到分類器的參數優化中,可以大大提高入侵檢測系統的性能。SVM是一種傳統機器學習算法中的分類模型，它的模型定義是在特征空間上的間隔最大的線性分類器，且魯棒性較強，通常對維數不敏感，適合小樣本數據學習。與其它傳統機器學習算法相比，泛化能力較強，適用于軸承故障檢測。

針對電機軸承故障檢測問題，學者們做了大量研究，提出了遞推最小二乘法、帶遺忘因子的最小二乘法、通用自適應穩定器以及智能優化算法等。目前已有的智能優化算法種類眾多，包括粒子群優化算法(PSO)、遺傳算法(GA)、灰狼優化算法(GWO)、蟻群算法(AG)、人工蜂群算法(ABC)等。應用這些優化算法進行模型參數辨識都取得了不錯的辨識效果，但是還存在容易陷入局部最優解、收斂速度慢、收斂準確性不高等問題。

發明內容

針對上述背景技術中存在的問題，提出一種基于改進麻雀搜索算法的軸承故障檢測方法，以提高算法的收斂性與收斂精度，并提供更好的參數供SVM精準高效分類，進而解決軸承故障檢測的精度問題。

一種基于改進麻雀搜索算法的軸承故障檢測方法，包括如下步驟：

步驟1，采集軸承數據，通過選取其中的特征和類別來進行軸承運行故障識別；按7：3的比例劃分好數據的訓練集和測試集，分別為Data_train和Data_test；

步驟2，選取經典的SVM算法實現軸承運行故障識別，對SVM算法中的懲罰參數C值和核函數參數σ兩個參數，通過后續步驟進行優化；

步驟3，設定麻雀搜索算法的參數，并利用非線性項改進后的Chebyshev公式進行麻雀種群的初始化，并將Chebyshev混沌映射產生序列值代入種群初始化中；

步驟4，將初值群落帶入到SVM的參數中，將分類的準確度Accuravy作為適應度值fitness，并按照從大到小排序；

步驟5，優化算法在發現食物階段的搜索方式，加入一個慣性權值來進行調節，根據慣性權值來更新發現者的位置；

步驟6，發現者在尋找到下一個位置后，依據步驟5中加入慣性權值后，更新SVM的兩個參數，重新計算分類的準確度即適應度值；將該群落的適應度最差的位置記為X_worst；

步驟7，設計一個自適應的選擇變異策略以及進行該策略需要滿足的兩個條件；兩個條件為自適應線性變化值小于隨機數和迭代后最優適應度未變化；自適應的選擇變異策略包括高斯分布擾動和柯西變異兩部分；

步驟8，不斷重復步驟3～步驟7，直至達到SVM中的準確度Accuravy最大的迭代次數為止；