[发明专利]基于FOA-MKSVM的滚动轴承故障分类方法

说明书

技术领域

本发明涉及一种滚动轴承故障分类方法，属于滚动轴承故障诊断技术领域。

背景技术

滚动轴承是旋转机械设备中广泛应用的关键部件之一，它的工作状况直接影响整台设备的运行情况^[1]。出现故障将影响生产质量和效率，严重可导致生产中断，造成巨大的经济损失，因此对滚动轴承故障诊断的研究尤为重要^[2]。

近年来，滚动轴承故障诊断与可靠性评估方法不断涌现，其中，智能诊断是研究的热点之一^[2-3]。专家系统、神经网络、模糊逻辑、粗糙集、遗传算法、支持向量机、粒计算等方法是实现人工智能的重要基础，目前已广泛用于机械智能诊断领域^[1]。支持向量机(support vector machine，SVM)在解决局部极小点、小样本、非线性以及高维模式识别问题中，表现出特有的优势^[4]。已有大量文献报道采用SVM对滚动轴承进行故障智能诊断。例如文献[5]采用SVM对滚动轴承在不同工况下的各状态进行分类，通过实验验证了智能诊断的有效性。文献[6]提出一种基于小波包-局部线性嵌入算法的特征提取与约简方法，并利用SVM对滚动轴承不同故障程度进行智能分类。文献[7]提出基于经验模式分解和主元分析的滚动轴承故障诊断方法，利用SVM对故障进行分类，实现了较高的故障识别率。但在SVM中，常用的核函数以及参数的选择大多数是人为根据经验选取，带有一定盲目性。

在核函数方面，采用单核函数将样本映射到某一高维特征空间，很难满足复杂的分类问题，尤其是对于异构、样本不均衡的数据分类问题，更是显得力不从心。实际的滚动轴承振动数据大多数是正常的样本相对各类故障状态的样本多很多，因此，样本分布很不均匀。针对该问题，构造多种核函数的组合方式是一个很好的选择。文献[8]提出基于单核核函数构造多核混合核函数的方法，以此适应样本不均衡问题。文献[9]提出了将全局核函数与局部核函数结合的概念，构造出了新的核函数。文献[10]提出了一种基于多核SVM的高光谱影像分类方法。以高斯径向基核函数和多项式核函数的线性加权组合作为多核核函数，采用梯度下降法优化多核权系数，通过实验验证了在高光谱影像分类方面的优势。

在SVM分类器参数优化方面，参数的选择问题一直是个难题。文献[11]提出一种改进的网格优化算法，即先设定一个较大的步长，确定核参数的初始范围，再设定一个较小的步长，进行细致的网格搜索。网格搜索虽然分类准确率高，但是计算量大，耗时长^[12]。文献[13]提出了采用遗传算法(genetic algorithm，GA)对最小二乘SVM参数进行优化，并应用到股票市场分析中，获得了较好效果。文献[14]提出一种基于支持向量机和粒子群算法的基因选择分类模型，将粒子群算法用于SVM参数优化，结果表明该方法在分类准确率上有较大提高。遗传算法和粒子群算法自身参数较多，每个参数都会影响SVM的分类准确率。文献[15]提出了一种果蝇优化算法(fruit fly optimization algorithm，FOA)，全局搜索能力强。

由于滚动轴承实际各状态数据一般具有不均衡的特点，所以分类时采用单一核函数存在一定的局限性，支持向量机多参数选择也存在盲目性，而且现有技术中也没有针对实际滚动轴承数据特点以及支持向量机参数选择问题构造多核核函数。因此说，现有技术中没有使“初始化参数少、参数设置简单、全局搜索能力强和分类准确率高”这些指标同时达到最佳，而发明恰恰解决的这样的问题，本发明方法具有初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的优点。

发明内容

本发明的目的是提供一种初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的基于FOA-MKSVM的滚动轴承故障分类方法。

本发明为解决上述技术问题采取的技术方案是：

一种基于FOA-MKSVM的滚动轴承故障分类方法，其特征在于，所述方法的实现过程为：

步骤一、利用EEMD给合SVD对滚动轴承正常状态、内环故障状态、外环故障状态、滚动体故障状态振动信号进行特征提取得到各状态的特征集；将特征集中的三分之二作为训练特征集，三分之一作为测试特征集；

所述EEMD是指集合经验模态分解(ensemble empirical mode decomposition，EEMD)，SVD是指结合奇异值分解(singular value decomposition，SVD)。