[发明专利]一种基于FOA-WSVDD的滚动轴承性能退化评估方法

权利要求书

1.一种基于FOA-WSVDD的滚动轴承性能退化评估方法，具体包括以下几个步骤：

步骤(1)：获取轴承正常状态下的振动数据，进行去噪和归一化预处理；提取振动数据的时域、时频域特征向量，并基于单调性进行特征选择；

步骤(2)：将FOA算法的寻优空间扩展到三维空间，并改变其迭代步长，得到改进后的FOA算法；

步骤(3)：将小波核函数引入到SVDD算法中，利用步骤(1)提取的特征向量建立WSVDD性能退化评估模型，并利用改进的FOA算法对WSVDD模型的核参数寻优；

步骤(4)：对轴承全生命周期振动数据根据步骤(1)的方法提取特征向量，并作为WSVDD模型的输入，计算特征向量距离超球中心的距离，以此作为轴承的性能退化评估指标；

步骤(5)：设置自适应报警阈值曲线，对轴承的早期退化状态做出及时准确的预警；

步骤(6)：利用基于经验模态分解和Hilbert包络解调的故障诊断方法验证评估结果进行的正确性；

所述步骤(3)中基于WSVDD的性能退化评估模型的建立,并利用改进的FOA算法对WSVDD模型的核参数寻优，包括以下步骤：

1)首先,定义一个训练样本集X＝{x₁,...,x_n},其中x_i∈R^d(1≤i≤n)为列向量,通过非线性函数把样本特征空间O∈R^d映射到高维超球空间Φ，即则WSVDD优化问题描述为：

其中,a为超球的圆心，r为半径，ξ_i是引入的松弛项，C＞0是控制参数,调节错分训练样本数(球外样本数)和r的大小；

2)优化问题的拉格朗日方程为：

其中α＝(α₁,...,α_n)^T≥0，β＝(β₁,...,β_n)^T≥0是拉格朗日乘子向量，上式分别对变量r,a，ξ_i求偏导数并置为0,得:

3)原始问题的对偶形式:

k(x_i,x_j)为核函数，用它代替内积计算，即这里小波函数取Morlet小波，即此时核函数为：

4)利用改进FOA算法，以最小化支持向量个数N_sv与总样本数N的比值F_sv作为适应度函数，选择最优核参数；原始优化的对偶形式为凸规划问题，利用凸规划问题求解方法求取拉格朗日乘子α，对于新样本z到球心的距离为：

置f(x)＝cv(Confidence Value),以CV作为轴承性能退化评估的指标。

2.根据权利要求1所述一种基于FOA-WSVDD的滚动轴承性能退化评估方法，其特征是：所述步骤(2)中对FOA算法寻优空间的扩展和迭代步长的自适应改变避免其陷入局部最优，包括以下步骤：

1)参数初始化：初始化种群规模sizepop；最大迭代次数maxgen，果蝇群体初始位置X_axis、Y_axis、Z_axis，随机飞行范围[a,b]；

2)赋予果蝇个体搜索食物的飞行随机方向与距离：

其中，β、η为调节因子，gen当前迭代次数；在寻优的初始阶段，为了增加果蝇种群的多样性，避免陷入局部最优，应增大随机飞行的距离，此时调节因子β大于1，记为β₁；在寻优的第二阶段，为了增加寻优精度，随机飞行的距离应减少，此时调节因子β小于1，记为β₂；

3)计算每个个体与原点的距离D_i以及味道浓度判断值S_i：

4)将味道浓度判断值S_i代入味道浓度判断函数(适应度函数)，求得果蝇个体的味道浓度，找出果蝇种群中味道浓度最佳的果蝇：

Smell_i＝f(S_i)

[bestSmellbestIndex]＝min(Smell)

5)保留最佳味道浓度值S与个体对应坐标X、Y、Z，果蝇群体将向该位置飞去：

Smellbest＝bestSmell

X_axis＝X(bestIndex)

Y_axis＝Y(bestIndex)

Z_axis＝Z(bestIndex)

6)迭代寻优：重复执行步骤2)～4)，并判断当前最佳味道浓度值是否由于上次迭代的最佳味道浓度值，若是执行步骤5)，当达到最大迭代次数时，寻优结束。