[发明专利]一种优化多核多特征融合支持向量机用于轴承故障识别的方法

权利要求书

1.一种优化多核多特征融合支持向量机用于轴承故障识别的方法，步骤如下：

S1.选择单一传感器下采集的轴承振动信号；

S2.将不同转速下轴承振动信号经EMD分解得到IMF能量熵及IMF排列熵；

S3.抽取不同转速下的IMF能量熵与IMF排列熵融合，得到包含不同转速信息的融合特征，用于支持向量机训练样本，以获取适应于不同转速下故障识别的多核多特征融合支持向量机；

S4.综合高斯径向基函数核与多项式函数核性能，将训练样本通过非线性函数空间向高维空间映射的线性回归，使得训练样本按不同特性分类，构成多核最小二乘支持向量机，使得支持向量机能够识别变载荷下故障特征；多核最小二乘支持向量机构建及参数优化过程如下：

选择合适的高斯径向基函数核参数g、多项式核参数c及组合核系数p，

高斯径向基函数核：K_g＝exp(-g·||x-x_i||²)；

多项式核定义为:K_d＝(x^Tx_i+1)^c；

组合核函数：K＝p·(x^Tx_i+1)^c+(1-p)·exp(-g·||x-x_i||²)；

通过SRPSO优化参数p、c、g，支持向量机识别精度作为适应度指标，适应度指标越大表示故障识别精度越高；设参数p、c、g为SRPSO粒子，其优化步骤如下：

1)初始化粒子群的位置和速度；

2)以支持向量机精度作为粒子适应度值，计算各粒子的适应度值，初始粒子历史最优位置Pbest，并比较历史最优位置适应度以得出初始历史全局最优位置Gbest；

3)计算各粒子自我调节惯性权重w；对于最好粒子为：w＝w+η*Δw；其他粒子为：w＝w-Δw，其中w_I为惯性权重初始值，w_F惯性权重终止值，N_Iter迭代次数，η控制加速速率常量；

4)更新粒子速度v和位置；

速度更新其中，c₁，c₂为加速度系数，r₁、r₂为(0,1)随机数；P为粒子社会认知:a为随机数，λ为设定阈值，取0.5；

更新每个粒子的历史最好位置和粒子群全局最好位置；判断是否达到结束条件，若未达到条件则返回步骤2)；

S5.将训练样本采用具有较强收敛性的自我调节粒子群算法进行参数优化，然后和测试样本比较，进行轴承故障识别。