[发明专利]一种滚动轴承早期损伤状态的智能评估识别方法

权利要求书

1.一种滚动轴承早期损伤状态的智能评估识别方法，其特征在于，包括以下步骤：

(1)对于一个包含M维状态特征N个样本的滚动轴承早期损伤振动特征数据集且X中有C类状态特征数据，利用最小最大值归一化方法对其进行处理，得到无量纲的特征数据，归一化方法处理过程如下：

(2)建立可实现多分类的支持向量机决策树，并通过粒子群优化算法对支持向量机惩罚参数和核参数进行联合优化；

(3)采用5折交叉验证法，将归一化处理后的数据集X输入参数优化的支持向量机决策树进行训练；对待识别的滚动轴承早期损伤状态特征数据集进行归一化预处理，再将其输入训练好的支持向量机决策树进行自动判别，得到各状态特征数据对应的状态类别，即可获得滚动轴承早期损伤状态的评估识别结果。

2.如权利要求1所述的滚动轴承早期损伤状态的智能评估识别方法，其特征在于，步骤(2)中，所述多分类的支持向量机决策树的建立方法如下：

对于一个两类样本集S＝{(y_i,b_i)}，i＝1,2,…,L，y_i∈R^M，b_i∈{-1,1}，其中，L为样本数目，y_i为M维特征，b_i为类别标签，在M维空间R^M中，若样本集线性可分，则该空间中存在一个将S分为b_i＝-1和b_i＝1两类的超平面，其方程表示为：

f(y)＝w·y+h＝0，

其中，w是一个M维的权向量，实际上为超平面的法向量；h为偏置量；

对于集合S中的所有样本点(y_i,b_i),i＝1,2,…,L，应满足：

b_if(y_i)＝b_i(w·y_i+h)-1+ξ_i≥0,i＝1,2,…,L，

通过对S中任意一个样本点(y_i,b_i)到分类超平面的距离进行最大化寻优，并转化为对偶问题：

s.t.y_i(w·x_i+b)-1+ξ_i≥0,，

ξ_i≥0,i＝1,2,…,L

其中，C为惩罚参数，ξ_i为松弛变量；

通过拉格朗日乘子法进行求解得到：

其中，α_i≥0为拉格朗日乘子，SVs表示决定超平面的所有支持向量，和分别表示b_i＝1和b_k＝-1的任意一对支持向量；

对于待识别的任意一个样本y，支持向量机对其进行分类的决策函数为：

若样本集线性不可分，将任意y_i∈R^M经非线性映射Φ变换到高维空间Ω中的映像表示为Φ(y_i)∈R^F(MF)，则在Ω中支持向量机的分类决策函数可表示为：

将高维空间的内积运算转化为核函数，

Φ(y_i)·Φ(y_k)＝K(y_i,y_k)，

其中，

则高维空间Ω中的支持向量机分类决策函数最终表示为：

在决策树的每一个节点设置一个支持向量机，建立C-1个节点的二叉树结构的支持向量机决策树，可识别X中C类状态数据；

所述支持向量机惩罚参数和核参数进行优化方法如下：

采用粒子群优化算法对支持向量机惩罚参数C和核参数σ进行寻优：

将惩罚参数C和核参数σ作为两个种群，每一个参数值就是一个种群粒子，假设粒子的种群规模为m，以和分别表示第i(i＝1,2,…,m)个粒子的速度和位置，则每一代粒子的速度和位置更新公式表示为：

v_i(t)＝ωv_i(t-1)+c₁r₁(t)[P_i(t-1)-z_i(t-1)]+c₂r₂(t)[G(t-1)-z_i(t-1)]，

z_i(t)＝z_i(t-1)+v_i(t)，

其中，t为迭代次数，ω为惯性权重，P_i为第i个粒子搜索到自身的最优位置；G为种群全部粒子的最优位置；c₁为粒子跟踪自身最优值的系数，c₂为粒子跟踪种群最优值的系数，r₁和r₂为(0,1)区间中的随机数；

将数据集X的分类准确率作为粒子群算法的适应度函数，并进行循环迭代求解，当分类准确率最大时，支持向量机的惩罚参数C和核参数σ取最优值，得到参数优化的支持向量机决策树。