[发明专利]基于FOA-MKSVM的滚动轴承故障分类方法

摘要

基于FOA-MKSVM的滚动轴承故障分类方法，属于滚动轴承故障诊断技术领域。本发明的目的是提供一种初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的滚动轴承故障分类方法。对滚动轴承各状态振动信号进行特征提取；构造多核核函数使得支持向量机多核化；将训练特征集作为多核支持向量机MKSVM的输入，运用果蝇优化算法FOA对MKSVM的惩罚系数C、每个核函数参数和核函数权值λ_m进行参数寻优；将测试特征集输入到多核支持向量机MKSVM模型中进行测试，得到滚动轴承正常状态、内环故障状态、外环故障状态、滚动体故障状态的分类准确率。本发明具有初始化参数少、参数设置简单、全局搜索能力强和分类准确率高的优点。

主权项

一种基于FOA‑MKSVM的滚动轴承故障分类方法，其特征在于，所述方法的实现过程为：步骤一、利用EEMD给合SVD对滚动轴承正常状态、内环故障状态、外环故障状态、滚动体故障状态振动信号进行特征提取得到各状态的特征集；将特征集中的三分之二作为训练特征集，三分之一作为测试特征集；步骤二、构造多核核函数使得支持向量机多核化，得到多核支持向量机MKSVM：将多个不同的核函数以加权求和方式构造适应滚动轴承振动信号的不同样本输入的多核核函数K_mix(x_i,x_j)：$K_{\mathrm{mix}}(x_i,x_j)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{K}_m(x_i,x_j)---\left(4\right)$式中：M是核函数个数，λ_m为核函数权值，λ_m≥0且步骤三、将训练特征集作为多核支持向量机MKSVM的输入，运用果蝇优化算法FOA对MKSVM的惩罚系数C、每个核函数参数和核函数权值λ_m进行参数寻优；以确定多核支持向量机MKSVM模型；步骤四、将测试特征集输入到多核支持向量机MKSVM模型中进行测试，得到滚动轴承正常状态、内环故障状态、外环故障状态、滚动体故障状态的分类准确率。