[发明专利]一种基于IFA-SVM的滚动轴承故障诊断方法

说明书

本发明涉及一种基于IFA‑SVM的滚动轴承故障诊断方法，属于机械工程自动化技术领域。本发明首先直接依次提取标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度，共10个特征类型。其次对数据进行归一化处理，接着利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA‑SVM模型。再将提取得到的特征向量输入到优化好的IFA‑SVM中进行训练得到滚动轴承诊断模型，最后利用滚动轴承故障诊断模型进行滚动轴承故障诊断。结果表明：本发明利用IF‑SVM模型对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断，准确率提高，收敛速度快，寻优能力强。

技术领域

本发明涉及一种基于IFA-SVM的滚动轴承故障诊断方法，属于机械工程自动化技术领域。

背景技术

滚动轴承作为一种十分重要的零部件，广泛应用于机械设备内部。当今的滚动轴承的重要性越来越明显，其工作精度和可靠度对设备整体的运行状态都有着关键性影响，使轴承故障诊断系统越来越智能化，是故障诊断研究主要方向.轴承故障诊断分三步走：一、信号处理；二、故障特征提取，三、模式识别。

支持向量机(SVM)的参数选择对整个诊断模型起到至关重要的作用，其惩罚因子C和核函数参数g的选择影响着支持向量机(SVM)诊断精度、泛化能力，好的核参数选择可以提高SVM分类的性能。面对SVM核参数的选择方面，前人做了许多研究。常见的有交叉验证法、网格搜索法等典型算法、以及粒子群算法、蛙跳算法等群智能算法。

在故障诊断中，故障诊断技术得到了广泛的研究与发展。诊断方法主要有以下3类(1)基于解析模型的方法，如参数估计方法、状态估计方法和等价空间方法等(2)基于信号处理的方法，如EMD、傅里叶分析、小波分析等。(3基于知识推理的诊断方法，如、模式识别、深度置信网络推理等。基于知识推理诊断具备智能化方法和专家知识可以提供一个可靠并且实用的系统。然而，参数选择限制着这项技术的发展。例如，支持向量机(SVM)的参数选择对整个诊断模型起到至关重要的作用，其惩罚因子C和核函数参数g的选择影响着支持向量机(SVM)诊断精度、泛化能力等。

发明内容

本发明要解决的技术问题是针对基本萤火虫算法(FA)容易过早陷入局部最优值、收敛速度慢、求解精度低等问题，提出一种基于IFA-SVM的滚动轴承故障诊断方法。

本发明采用的技术方案是：一种基于IFA-SVM的滚动轴承故障诊断方法，首先直接依次提取标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度，共10个特征类型。其次对数据进行归一化处理，接着利用IFA算法对SVM的惩罚系数和核函数参数进行优化，搭建优化IFA-SVM模型。再将提取得到的特征向量输入到优化好的IFA-SVM中进行训练得到滚动轴承诊断模型，最后利用滚动轴承故障诊断模型进行滚动轴承故障诊断。结果表明：本发明利用IF-SVM模型对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断，准确率提高，收敛速度快，寻优能力强。

所述方法的具体步骤如下：

(1)采集滚动轴承驱动端数据在某一种负荷的状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障的振动信号共10种状态：正常、内圈点蚀直径0.1778mm，内圈点蚀直径0.3556mm、内圈点蚀直径0.5334mm；滚珠点蚀直径0.1778mm、内圈点蚀直径0.3556mm，内圈点蚀直径0.5334mm；外圈圈点蚀直径0.1778mm(6点钟方向)、外圈圈点蚀直径0.3556mm(6点钟方向)、外圈圈点蚀直径0.5334mm(6点钟方向)。

(2)将10类一维原始轴承驱动端数据进行切分，每一类切割成100份，每份为1024大小的数据段。依次提取出每个数据段的标准差，有效度，歪度，峭度，峰值，峰峰值，波形因数，脉冲因素，峰值因素，裕度特征值作为特征向量.

(3)再将步骤2得到的特征向量进行归一化处理。