[发明专利]一种蜂群优化核极限学习和稀疏表示机械故障识别方法

权利要求书

1.一种蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，该方法包括以下步骤：

步骤1：采集机械故障振动信号构成核极限学习机故障识别模型的训练数据样本集S，并将训练集S划分为数据集S₁和数据集S₂；

步骤2：初始化人工蜂群优化算法(ABC)中的蜂群个体总数P和最大优化循环迭代次数M，并对蜂群的每个个体随机生成初始蜜源，包括核参数a和正则化系数C；

步骤3：利用人工蜂群优化算法(ABC)优化核极限学习机故障识别模型的核参数a和正则化系数C，获得核极限学习机故障识别模型的最佳参数组；

步骤4：利用优化得到的核极限学习机故障识别模型的最佳参数组和训练样本集S训练获得最佳核极限学习机故障识别模型，即训练好的蜂群优化核极限学习机故障识别模型；

步骤5：针对输入振动信号y，利用步骤4训练好的蜂群优化核极限学习机故障识别模型对振动信号y进行故障识别，同时预设预测阈值η，蜂群优化核极限学习机故障识别模型的输出为O_KELM＝[c₁,c₂,…,c_m]，其中m表示故障的类别数，c_i表示第i类机械故障的预测输出值，i∈1,2,…,m；假设输出O_KELM的最大预测值是c_f,f∈1,2,…,m，即c_f≥c_i,i≠f且i∈1,2,…,m，排除c_f外，输出O_KELM的次最大预测值是c_s,s≠f且s∈1,2,…,m，即c_f≥c_s≥c_i,i≠f≠s且i∈1,2,…,m；若蜂群优化核极限学习机识别模型的故障识别输出预测的最大预测值c_f与次最大预测值c_s的差的大于或等于预设阈值η，即c_f-c_s≥η，则接受蜂群优化核极限学习机故障识别模型的识别结果，转至步骤7；若蜂群优化核极限学习机识别模型的故障识别输出预测的最大预测值c_f与次最大预测值c_s的差的小于预设阈值η，即c_f-c_s＜η，则拒绝蜂群优化核极限学习机故障识别模型的识别结果，转至步骤6；

步骤6：利用训练数据集S构建稀疏表示学习字典，并通过稀疏表示字典对输入振动信号y进行重构，根据对输入振动信号y的重构误差最小原则判断振动信号y属于哪一类故障；

步骤7：输出故障识别结果。