[发明专利]一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法

摘要

一种专门针对旋转机械早期故障的智能化诊断方法，以旋转机械运行过程中的振动信号为基础，首先将旋转机械的振动信号进行时域、频域、时频域信号处理，以典型的局部核函数和全局核函数为基础，构造多核支持向量机作为新型的智能诊断模型；以遗传算法和模拟退火算法为基础，构造遗传退火算法；利用遗传退火算法优化多核支持向量机的模型参数，实行多参数的并行寻优.本发明充分发挥了混合域特征集在旋转机械性能退化早期故障渐变特征提取、遗传退火算法在参数的并行寻优以及多核支持向量机在早期故障智能诊断等方面的优势，可以有效对旋转机械设备的早期故障进行诊断辨识，并且具有较强的抗干扰能力和泛化推广能力。

主权项

一种基于遗传退火优化多核支持向量机的旋转机械早期故障诊断方法，其特征在于：包括如下具体步骤：步骤一，通过ICP加速度传感器采集旋转机械运行过程中的振动状态信息，随后对该振动信号进行降噪、滤波预处理；步骤二，对在旋转机械预处理后的每一个振动信号，计算其时域、频域、时频域特征指标量值，构造混合域特征集；步骤三，基于高斯核支持向量机和多项式核支持向量机，将高斯局部核K_RBF和多项式全局核K_poly结合起来，构造多核支持向量机：K_mix(x_i,x_j)＝λK_RBF(x_i,x_j)+(1‑λ)K_poly(x_i,x_j)式中：x_i和x_j为输入空间的特征向量，σ和d分别为高斯核函数和多项式核函数的核函数参数，λ(0<λ<1)为权重因子；步骤四，遗传退火化算法优化多核支持向量机，以多核SVM的权重因子λ、惩罚参数c、核函数参数σ和d组成染色体的实数基因向量X：X＝[λ,c,σ,d]利用多核SVM对混合域特征集训练样本的分类准确率f来评价各个染色体的优劣，采用Metropolis接受准则确定新染色体p_ij'是否进入下一代种群，在Metropolis接受准则中，采用动态调温策略，设t_i+1＝(1‑1/i)^m×t_i，其中t_i为第i次进化时的退温参数，m∈Z用于控制温度的下降速度，为了防止当前种群的最优解在下一代中丢失，采用精英保留策略，比较新解x的适应度f与种群中的最优解x^*的适应度f^*，若f优于f^*，则用x和f分别替换x^*和f^*；步骤五，将混合域特征集输入到优化后的多核支持向量机，利用最优的多核支持向量机自动辨识出旋转机械早期故障的故障模式。