[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

说明书

本发明涉及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，选择单一传感器下采集的轴承振动信号；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；抽取不同转速下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；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；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。

技术领域

本发明涉及旋转类机械故障识别方法，尤其是涉及一种用于高精度轴承故障识别的自我 调节粒子群优化多核多特征融合支持向量机。

背景技术

大型旋转类机械通常置于恶劣环境及人烟稀少地区，一般的故障检测方法需要人员定期 获取特征信息，并进行复杂的分析处理，耗费大量人力物力。支持向量机作为一种智能模式 识别方法，不需要人员长期留守或者人为分析出故障位置，因此被广泛用于旋转类机械故障 诊断中。例如，公开号为CN107065568A的发明专利提出了一种基于粒子群支持向量机的变压 器故障诊断方法，公开号为CN103679263A的发明专利提出了一种基于粒子群支持向量机的雷 电临近预测方法；公开号为CN101655456A的发明专利提出了一种基于粒子群支持向量机的高 压绝缘子等值盐密光纤检测方法。

首先，支持向量机核函数中多项式核函数核为全局核，具有较强的泛化能力，但学习能 力较弱；高斯径向基函数核为局部核，学习能力良好，但泛化能力弱。其次，单一特征下支 持向量机模式识别信息不够充分，比如在变载荷下的模式识别，必须通过融合特征以获取更 完备的信息。Yu Kun将多个传感器下的信息通过EEMD分解得到的能量熵融合作为特征向量。 多传感器对故障信号的采集较为全面，但需要布置多位置传感器。加速度传感器用于轴承振 动信号检测时，安装位置应尽可能靠近轴承。多传感器安装较为繁琐，并且通常不具备多个 可供测量位置。

因此，有必要对粒子群优化支持向量机进行进一步的优化改进，以获取更高故障识别精 度的多核多特征融合支持向量机。

发明内容

本发明针对现有技术不足，提出了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，综合高斯径向基核函数与多项式核函数性能，构成多核多特征融合最小二乘支持 向量机(Least square support vector machine，LSSVM)，并通过具有较强收敛性的自我调 节粒子群算法(Self regulating particle swarm optimizationalgorithm，SRPSO)优化 其参数。与多位置传感器信息融合相比，多种熵值的融合不需要繁琐的传感器测量系统，并 获得更全面的特征信息。

本发明所采用的技术方案：

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；

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。