[发明专利]一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法

说明书

本发明公开了一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法，包括以下步骤：采集典型故障状态下的振动加速度信号；对采集的信号进行提取，得到典型故障类型的数据样本；基于逃脱机制改进的蚁狮优化算法和支持向量机建立轴承故障诊断模型；将数据样本输入到轴承故障诊断模型中，优化轴承故障诊断模型；根据优化后的轴承故障诊断模型进行轴承故障诊断。本发明通过引入逃脱机制和自适应收敛条件提出了一种改进的EALO算法，以提高算法的寻优性能，并将改进的蚁狮算法与支持向量机相结合实现轴承故障诊断，对于提高滚动轴承故障诊断准确率，保障滚动轴承的安全，稳定运行具有重要的理论意义及实用价值。

技术领域

本发明涉及机械故障诊断领域，特别涉及一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法。

背景技术

滚动轴承是核心基础零部件，广泛应用在风力发电机、航空发动机、轮船、汽车等重要机械设备上，对国民经济发展和国防建设起着重要的支撑作用。滚动轴承作为运动支承部件，长期工作在诸如高温、高速、重载等恶劣工况下，极易诱发不同形式、不同严重程度的故障，如滚珠磨损、内圈和外圈滚道表面金属剥落、保持架破裂等，轻则引起机械设备振动异常，妨碍机械设备的正常运转，降低工作效率，重则导致机毁人亡，给企业和社会造成巨大的损失，严重阻碍国民经济和社会和谐发展。因此，开展滚动轴承故障智能诊断技术研究，具有十分重要的意义。

目前，振动监测法是滚动轴承故障监测的一种常用的方法，滚动发生故障时，其故障特征信号非常微弱，常常被设备的工频振动、传递环节调制和噪声干扰所淹没，具有明显的非线性行为和非平稳特性。传统的故障诊断方法如从时域、频域、时频域对振动信号进行分析的方法难以实现准确识别。而神经网络、贝叶斯决策等方法是建立在大量有效样本的基础上的，一方面，当样本数量过少时，模型的准确性变得不可信任，另一方面，大量的故障样本数据难以获得，因而限制了神经网络、贝叶斯决策等传统模式识别方法的使用。支持向量机(Support Vector Machine,SVM)是20世纪90年代发展起来的一种适合小样本数据下的模式识别方法，该方法以核函数为核心，将原始空间数据隐式映射到特征空间，在特征空间寻找线性关系，可实现非线性问题的高效求解。支持向量机在模式识别领域很好的应用，如文本识别、手写数字识别、人脸检测、系统控制等诸多领域。但由于SVM的分类精度受核函数类型及其参数影响很大，参数与模型分类精度之间的关系是一个不规则的多峰值函数关系，不合适的参数值将使得训练好的模型的泛化能力很差，从而导致对故障样本的识别精度降低，但困难的是其最优参数难以选取。在工程应用当中，往往只凭工程师的经验来指定，缺乏可靠性，而通过计算机优化选择的方法不仅可以降低工程师们的工作量，而且使得最优解的选取有了更可靠的依据。目前，用于核参数优化的方法主要有网格-交叉验证法、遗传算法、粒子群算法，但这些方法优化效率不理想。

蚁狮算法(The Ant Lion Optimizer，ALO)是澳大利亚学者Seyedali Mirjalili提出的一种新型仿生智能算法，目前已被成功应用于杆系结构优化、天线布局优化、分布式系统的选址、无用功的配电问题、在复杂网络中进行社区挖掘等领域，但在轴承故障诊断中的研究较少。在经典ALO算法中，由于缺乏有效的机制，蚂蚁围绕精英蚁狮和轮盘赌选定的蚁狮进行随机游走，蚂蚁逐渐落入蚁狮筑好的陷阱，随着迭代次数的增加，蚂蚁游走的范围越来越小，意味着搜索优化解的范围也越来越小，如果此时选定的蚁狮位于局部极值处，则势必会增加陷入局部极值的风险，从而在一定程度上影响了ALO算法的寻优性能和收敛效率。

发明内容

为了解决上述技术问题，本发明提供一种故障识别率高的基于改进蚁狮算法和支持向量机的轴承故障诊断方法。

本发明解决上述问题的技术方案是：一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法，包括以下步骤：

步骤一：开展轴承典型故障振动测试试验，采集典型故障状态下的振动加速度信号；

步骤二：采用变分模态分解方法对采集的信号进行提取，得到典型故障类型的数据样本；