曹進華

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

關鍵詞：粒子群算法;支持向量機;故障識別;滾動軸承

中圖分類號：TH133;TP181 ? ? 文獻標識碼：A 文章編號：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

長期以來，滾動軸承故障模式識別一直是故障診斷領域的焦點問題。通過建立有效模型，及時檢測滾動軸承的狀態(tài)信息，準確識別軸承故障可以避免“維修不足”和“過剩維修”所帶來的經(jīng)濟損失，降低維修成本，提高機械設備正常運轉可靠性。近年來，因為支持向量機（SVM）方法的小樣本學習能力和泛化能力突出，在故障模式識別領域得到廣泛應用。張超等人[1]將支持向量機用于完成齒輪箱的故障診斷。Moura等[2]通過支持向量回歸機預測失效和可靠性的問題。翟永杰等[3]通過分級聚類的支持向量機實現(xiàn)汽輪機故障診斷。目前，SVM的研究重點在于提高其分類性能，其關注焦點集中于優(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，這些方法可以對參數(shù)進行一定的優(yōu)化，但是都存在搜索精度不高且耗時較長的不足[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用，也取得了良好的效果。當然，在應用過程中發(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)驗選擇人工魚視野和步長等，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）具備算法簡單、易于實現(xiàn)的優(yōu)點，廣泛應用于模型優(yōu)化、模式識別等多個領域[5，6]。

為了有效識別軸承故障嚴重程度，將改進粒子群算法和SVM結合，提出了一種新的軸承故障嚴重程度識別方法，最后結合實驗分析，證明了該方法的優(yōu)越性。

1 ?SVM算法及相關參數(shù)

2.1 ?粒子群算法的改進策略

從粒子群算法實現(xiàn)步驟可知，粒子種群在整個迭代過程一直保持向最優(yōu)個體學習的趨勢，一旦發(fā)現(xiàn)最優(yōu)的粒子個體，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，粒子群算法就會陷入局部最優(yōu)，進而影響整個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)驗來看，在整個搜索空間里，全局最優(yōu)位置往往與局部最優(yōu)位置相差不遠。此外在一定程度上，整個種群的進化速度不是由較優(yōu)個體決定的，而是主要取決于較差個體。另外，自然界中蜜蜂、蝙蝠等動物覓食行為，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距離行走兩種方式。當針對自身周圍的小范圍進行搜尋時，采用短距離的蹦蹦跳跳，而對另一個更廣闊的范圍區(qū)域進行搜尋時，為了保證自身能夠進入，在搜索時采用偶爾較長距離的行走。鑒于Levy飛行的優(yōu)點，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）。