基于改進(jìn)粒子群優(yōu)化SVM的軸承故障識(shí)別研究

曹進(jìn)華

摘 ?要：為了提高軸承故障嚴(yán)重程度識(shí)別的準(zhǔn)確率，本文提出基于改進(jìn)粒子群算法優(yōu)化SVM的軸承故障識(shí)別方法。針對(duì)粒子群算法易陷入局部最優(yōu)的不足，引入Levy飛行方式改進(jìn)粒子群算法的尋優(yōu)過程。在運(yùn)算過程中，該方法通過粒子群的進(jìn)化程度，將粒子種群動(dòng)態(tài)的劃分為較優(yōu)子群和較差子群;較差子群以PSO算法為指導(dǎo)進(jìn)行全局搜索，較優(yōu)子群中引入Levy飛行方式，粒子圍繞最優(yōu)個(gè)體進(jìn)行精細(xì)化的尋優(yōu)過程;兩個(gè)子群通過種群之間個(gè)體的重組和全局最優(yōu)個(gè)體的更新實(shí)現(xiàn)信息交換。通過實(shí)驗(yàn)數(shù)據(jù)分析的結(jié)果表明：基于LPSO優(yōu)化SVM參數(shù)提高了軸承故障識(shí)別的準(zhǔn)確率，效果優(yōu)于其他幾種方法。

關(guān)鍵詞：粒子群算法;支持向量機(jī);故障識(shí)別;滾動(dòng)軸承

中圖分類號(hào)：TH133;TP181 ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）12-0148-04

Abstract：In order to improve the recognition accuracy of bearing fault severity identification. In view of the problem，a bearing fault recognition based on improvement PSO algorithm optimized SVM is proposed. Due to the demerits of PSO optimization algorithm，such as easily relapsing into local optimum，introducing Levy flight strategy to improve PSO algorithm. In the process of computation，the method divides the dynamics of particle population into better subgroups and worse subgroups by the evolutionary degree of particle swarm. The worse subgroups are searched globally under the guidance of PSO algorithm. Levy flight mode is introduced into the better subgroups，and the particles are refined around the optimal individuals. The information exchange between the two sub-populations is realized by the reorganization of individuals and the updating of the globally optimal individuals. The results of experimental data analysis show that optimization of SVM parameters based on LPSO improves the accuracy of bearing fault identification，and the effect is better than other methods.

Keywords：PSO;SVM;fault recognition;rolling bearing

0 ?引 ?言

長(zhǎng)期以來，滾動(dòng)軸承故障模式識(shí)別一直是故障診斷領(lǐng)域的焦點(diǎn)問題。通過建立有效模型，及時(shí)檢測(cè)滾動(dòng)軸承的狀態(tài)信息，準(zhǔn)確識(shí)別軸承故障可以避免“維修不足”和“過剩維修”所帶來的經(jīng)濟(jì)損失，降低維修成本，提高機(jī)械設(shè)備正常運(yùn)轉(zhuǎn)可靠性。近年來，因?yàn)橹С窒蛄繖C(jī)（SVM）方法的小樣本學(xué)習(xí)能力和泛化能力突出，在故障模式識(shí)別領(lǐng)域得到廣泛應(yīng)用。張超等人[1]將支持向量機(jī)用于完成齒輪箱的故障診斷。Moura等[2]通過支持向量回歸機(jī)預(yù)測(cè)失效和可靠性的問題。翟永杰等[3]通過分級(jí)聚類的支持向量機(jī)實(shí)現(xiàn)汽輪機(jī)故障診斷。目前，SVM的研究重點(diǎn)在于提高其分類性能，其關(guān)注焦點(diǎn)集中于優(yōu)化懲罰參數(shù)和核參數(shù)。傳統(tǒng)的參數(shù)優(yōu)化方法通常有網(wǎng)格搜索法、窮舉法和梯度下降法等方法，這些方法可以對(duì)參數(shù)進(jìn)行一定的優(yōu)化，但是都存在搜索精度不高且耗時(shí)較長(zhǎng)的不足[4]。近年來，一些智能算法，如遺傳算法（GA）、果蠅算法（FOA）以及人工魚群算法（AFSA）等，在懲罰參數(shù)和核參數(shù)的優(yōu)化過程中得到廣泛應(yīng)用，也取得了良好的效果。當(dāng)然，在應(yīng)用過程中發(fā)現(xiàn)這些算法也有一定的缺陷，例如，遺傳算法（GA）容易出現(xiàn)早熟現(xiàn)象，并且操作過程較為復(fù)雜;果蠅算法（FOA）易陷入局部最優(yōu)，且尋優(yōu)精度不高;人工魚群算法（AFSA）依據(jù)經(jīng)驗(yàn)選擇人工魚視野和步長(zhǎng)等，這些因素都使SVM參數(shù)的尋優(yōu)精度明顯降低。相較而言，粒子群算法（PSO）具備算法簡(jiǎn)單、易于實(shí)現(xiàn)的優(yōu)點(diǎn)，廣泛應(yīng)用于模型優(yōu)化、模式識(shí)別等多個(gè)領(lǐng)域[5，6]。

為了有效識(shí)別軸承故障嚴(yán)重程度，將改進(jìn)粒子群算法和SVM結(jié)合，提出了一種新的軸承故障嚴(yán)重程度識(shí)別方法，最后結(jié)合實(shí)驗(yàn)分析，證明了該方法的優(yōu)越性。

1 ?SVM算法及相關(guān)參數(shù)

2.1 ?粒子群算法的改進(jìn)策略

從粒子群算法實(shí)現(xiàn)步驟可知，粒子種群在整個(gè)迭代過程一直保持向最優(yōu)個(gè)體學(xué)習(xí)的趨勢(shì)，一旦發(fā)現(xiàn)最優(yōu)的粒子個(gè)體，則所有粒子都向該粒子位置聚集。如果該位置不是全局最優(yōu)的話，粒子群算法就會(huì)陷入局部最優(yōu)，進(jìn)而影響整個(gè)粒子群的收斂速度和收斂精度，我們不希望看到這種情況。據(jù)以往經(jīng)驗(yàn)來看，在整個(gè)搜索空間里，全局最優(yōu)位置往往與局部最優(yōu)位置相差不遠(yuǎn)。此外在一定程度上，整個(gè)種群的進(jìn)化速度不是由較優(yōu)個(gè)體決定的，而是主要取決于較差個(gè)體。另外，自然界中蜜蜂、蝙蝠等動(dòng)物覓食行為，采用的是類似Levy飛行的方式，這種飛行方式交叉使用了短距離的探索性蹦跳和偶爾的較長(zhǎng)距離行走兩種方式。當(dāng)針對(duì)自身周圍的小范圍進(jìn)行搜尋時(shí)，采用短距離的蹦蹦跳跳，而對(duì)另一個(gè)更廣闊的范圍區(qū)域進(jìn)行搜尋時(shí)，為了保證自身能夠進(jìn)入，在搜索時(shí)采用偶爾較長(zhǎng)距離的行走。鑒于Levy飛行的優(yōu)點(diǎn)，本文提出了一種具有Levy飛行特征的雙粒子群子優(yōu)化算法（LPSO）。