[发明专利]一种基于改进灰狼优化算法的电机轴承故障诊断方法

说明书

本发明公开了一种基于改进灰狼优化算法的电机轴承故障诊断方法，涉及电机故障诊断领域，该方法包括以下步骤：采集电机轴承的振动信号样本；定义解空间和适应度函数，初始化灰狼优化算法；采用Skew Tent映射初始化种群；利用适应度函数计算适应度值；利用改进的位置更新公式更新解空间位置；确定当前迭代次数对应的变异概率；执行自适应差分变异；随机重置处理；重新计算适应度值，最后将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数，并利用参数优化后的支持向量机进行电机轴承的故障诊断,本发明提高了算法的收敛速度和收敛精度，提高了参数优化能力，有效提高支持向量机进行电机轴承故障诊断的准确率。

技术领域

本发明涉及电机故障诊断领域，尤其是一种基于改进灰狼优化算法的电机轴承故障诊断方法。

背景技术

电机是现代工业制造过程中的重要驱动设备，而轴承则是电机的核心部件之一，同时也是电机故障率较高的部件，电机故障往往会导致整个机器停止运转，从而造成一定的经济损失，甚至会引发一些安全事故，因此，如何有效的对电机轴承故障作出正确的诊断尤为重要。

当电机轴承存在故障时，其振动信号中含有丰富的故障特征信息，通过提取这些信息输入到分类器中，便可诊断出缺陷存在的部位，小波包分解作为一种时频分析方法，可以有效地应用于振动信号这种非平稳信号的分析，具有多分辨率分析的特性，成为信号处理领域的研究热点。支持向量机在解决小样本的模式识别问题方面十分突出，是被广泛应用的分类器。然而，支持向量机的分类性能取决于其参数的选取，目前尚无确定支持项向量机参数选取的统一标准，因此，如何优化支持向量机参数成为故障诊断技术的重难点之一。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于改进灰狼优化算法的电机轴承故障诊断方法，本发明的技术方案如下：

一种基于改进灰狼优化算法的电机轴承故障诊断方法，其特征在于，包括以下步骤：

采集电机轴承的振动信号样本进行特征提取得到对应的特征向量；

定义解空间和适应度函数，初始化灰狼优化算法，通过特征向量训练和测试每个支持向量机参数，每个支持向量机参数分别对应灰狼优化算法中每个灰狼个体在一维空间内的灰狼个体位置；

采用Skew Tent映射初始化种群，将每个灰狼个体在一维空间的灰狼个体位置映射到所述解空间中得到对应的解空间位置；

利用适应度函数根据所述振动信号样本计算每个灰狼个体的适应度值；

根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新每个灰狼个体的解空间位置；

确定当前迭代次数对应的变异概率，当预定值达到所述变异概率时对灰狼个体执行自适应差分变异操作，当所述预定值未达到所述变异概率时对超出解空间范围的灰狼个体作随机重置处理；

重新计算每个灰狼个体的适应度值，若当前迭代次数未达到预定迭代次数时，则令迭代次数加一并再次执行所述根据适应度值基于灰狼优化算法、教学优化算法和粒子群优化算法更新灰狼个体的解空间位置的步骤；

若当前迭代次数达到所述预定迭代次数时，则将适应度值最优的灰狼个体的解空间位置作为支持向量机的参数，并利用参数优化后的支持向量机进行电机轴承的故障诊断。

其进一步的技术方案为，所述采用Skew Tent映射初始化种群，包括按照如下公式得到每个灰狼个体在所述解空间中的解空间位置：

X_k＝Lb+(Ub-Lb)·x_k；