自适应差分进化算法优化支持向量机的故障诊断方法与流程

技术特征：
1.一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，采集待诊断故障的轴承的振动信号，并对其进行预处理得到数据后，将数据输入到训练好的支持向量机模型中，由其输出轴承故障诊断结果；预处理的过程即依次进行分解、特征提取和特征选择的过程；支持向量机模型的训练步骤如下：(1)采集已诊断故障的轴承的振动信号，并对其进行所述预处理得到训练样本数据；(2)优化支持向量机模型的模型参数c和gamma，步骤如下：(2.1)随机生成两个初始种群，每个种群包含m个个体向量，每个向量都由支持向量机模型的两个参数组成，分别是c和gamma；(2.2)缩放因子f根据进化代数自适应调整，公式如下：式中，g为当前进化代数，g为总进化代数，函数rand(0，1)为区间(0，1]内的随机数；变异策略进行组合调整，公式如下：de/rand/2：v
i，g
＝x
r1，g
f
·
(x
r2，g
‑
x
r1，g
) f
·
(x
r2，g
‑
x
r3，g
)；else：de/rand
‑
to
‑
best/1：v
i，g
＝x
r1，g
f
·
(x
best，g
‑
x
r1，g
) f
·
(x
r2，g
‑
x
r3，g
)；式中，v
i，g
为第g代种群中的第i个个体，x
r1，g
为第g代种群中的第r1个个体，x
r2，g
为第g代种群中的第r2个个体，x
r3，g
为第g代种群中的第r3个个体，r1，r2，r3，i∈[1，2，
…
n]且互不相等，n为总个体数，x
best，g
为当前种群中适应度值最小的个体，de/x/y是一种简易的表达变异策略的方式，其中x指定基向量，y代表变异策略中差分向量的数目，rand表示基向量为种群中随机选取的一个向量，best表示基向量为种群适应度值最低的向量，rand
‑
to
‑
best表示将其中的一个随机向量利用适应度值最低的向量表示；(2.3)交叉因子c
r
根据进化代数自适应调整，公式如下：(2.4)计算种群的适应度值并进行个体选择；(2.5)进行交流策略，公式如下：式中，x
i，worst，g
为种群i中第g代迭代个体中的最差个体，x
j，best，g
为种群j中第g代迭代个体中的适应度值最小的个体，x
i，r，g
为种群i中第g代迭代个体中的任一个体，x
j，n，g
为种群j中第g代迭代个体中的任一个体，r≠n，r，n∈[1，2n]，dis为种群中两个个体向量之间的欧式距离，var为对求出来的欧式距离进行求方差；(2.6)判断是否满足迭代条件，如果是，则输出适应度值最小的两个种群个体作为参数
c和gamma的取值；反之，则返回步骤(2.2)；(3)训练支持向量机模型；将参数c和gamma的取值代入支持向量机模型中，利用训练样本数据对支持向量机模型进行训练。2.根据权利要求1所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，采集待诊断故障的轴承或已诊断故障的轴承的振动信号选用16通道采集仪，采样频率为12khz，转速为1797r/min。3.根据权利要求2所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，待诊断故障的轴承或已诊断故障的轴承的振动信号的长度为2048。4.根据权利要求3所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，预处理的过程为：首先对轴承的振动信号进行ceemdan分解，然后提取信号分解的前8个imf分量进行特征提取，最后对提取的特征进行随机森林降维，选择其中最重要的6个特征。5.根据权利要求1所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，步骤(2.1)中，m为20～50。6.根据权利要求1所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，步骤(2.4)中，个体选择采用贪婪选择策略，公式如下：式中，x
i，g 1
是下一代个体，u
i，g
为试验个体，x
i，g
为父代个体，f(u
i，g
)为试验个体的适应度值，f(x
i，g
)为父代个体的适应度值。7.根据权利要求1所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，步骤(2.6)中，迭代条件为达到最大迭代次数。8.根据权利要求7所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，最大迭代次数为100。9.根据权利要求1所述的一种自适应差分进化算法优化支持向量机的故障诊断方法，其特征在于，步骤(1)的训练样本数据为已诊断故障的轴承的振动信号经预处理后得到的数据中的70％的数据，已诊断故障的轴承的振动信号经预处理后得到的数据中的30％的数据为测试样本数据，步骤(3)结束后，将测试样本数据输入到训练好的支持向量机模型中进行测试。

技术总结
本发明涉及一种自适应差分进化算法优化支持向量机的故障诊断方法，采集待诊断故障的轴承的振动信号，并对其进行预处理得到数据后，将数据输入到训练好的支持向量机模型中，由其输出轴承故障诊断结果；预处理的过程即依次进行分解、特征提取和特征选择的过程；支持向量机模型的训练步骤如下：(1)采集已诊断故障的轴承的振动信号，并对其进行所述预处理得到训练样本数据；(2)优化支持向量机模型的模型参数C和gamma；(3)训练支持向量机模型；将参数C和gamma的取值代入支持向量机模型中，利用训练样本数据对支持向量机模型进行训练。本发明可实现参数的自适应调整，从而使得支持向量机算法达到较优的结果，提高了算法的鲁棒性和准确度。准确度。准确度。


技术研发人员：李媛媛 李志博 姚炜 戚博炜 孙祺淳 唐明 侯玲玉 陈嘉航
受保护的技术使用者：上海工程技术大学
技术研发日：2021.07.14
技术公布日：2021/11/4