[发明专利]一种改进蚁群算法优化支持向量机参数的方法

说明书

技术领域

本发明涉及一种用于机械轴承的故障诊断的改进型蚁群算法优化支持向量机参数的方法。

背景技术

在现代生产中，机械设备的故障诊断技术越来越受到重视，如果某台设备出现故障而未能及时发现和排除，其结果不仅会导致设备本身损坏，甚至可能造成机毁人亡的严重后果。因为某台设备出现故障而引起整条生产线生产的产品出现问题甚至造成停产所带来的损失是巨大的。因此，故障诊断在生产线中的地位是不可忽视的。

滚动轴承被广泛应用在机械设备中，并且作为关键部件。滚动轴承需要具有较高的可靠性，机械运行中轴承故障的发生可能会导致致命的机械故障。因此，精确的检测和诊断滚动轴承故障的存在是极其重要的，

早期的滚动轴承诊断方法在诊断精度和效率方面不能达到工业标准。随着人工智能技术的不断进步，人工智能方法被应用在滚动轴承故障诊断中。比如专家系统人工神经网络等，这些方法基于经验风险最小化的原则，存在一些共性的缺点，比如容易陷入局部最优解、收敛速度慢、过学习等，特别是在样本数量有限时过低的泛化能力。大多数情况下，人工智能解决的故障诊断中，故障样本的缺少是诊断的瓶颈问题。过低的泛化能力可能导致错误的故障诊断结果。

发明内容

为了解决上述存在的技术问题，本发明提供一种用于机械轴承的故障诊断的改进蚁群算法优化支持向量机参数的方法。运用改进的蚁群算法对支持向量机的参数进行优化，寻找出最佳的参数组合，完成对滚动轴承的故障进行分类。

本发明的目的是通过下述技术方案实现的：一种改进蚁群算法优化支持向量机参数的方法，其步骤如下：

（1）   根据参数优化的问题，确定n个参数的取值范围，并且通过对每个参数进行N等分计算网格间隔；

h_i=(x_m-x_l)/N

形成n*（N+1）个点构成的网格；初始化各网格点信息素值、最大循环次数和循环终止条件；

（2）   每只蚂蚁在每一列中随机选择一定数目的网格点，找出信息素最大的最为这一列的选择点，蚂蚁从第一列到第N列选择出N个网格点，这N个网格点行程作为一个解，M只蚂蚁找到M个解；

（3）   将这M个解输入目标函数（支持向量机），找出最大与最小的二个目标函数值，这二个值即为全局最优解和全局最差解；

（4）   进行信息素的更新，首先进行全局信息素更新，P_t=P_t-1·ρ;其中ρ是挥发因子，表示信息素的挥发过程；

根据公式P_t=P_t-1-op在全局最优解附近的一定范围增加一定量信息素的值，强化全局最优解；

根据公式P_t=P_t-1-wp在全局最差解附近的一定范围进行信息素一定量减少操作，弱化全局最差解；

（5）   如果没有达到全局最大循环次数Nmax则转到步骤（2），否则转到步骤（6）进行网格的重新划分；

（6）   当算法循环次数NC达到Nmax后找出信息素矩阵中最大值处对应的行，缩小变量的取值范围在网格点中对应值的附近重新划分网格；初始化信息素矩阵；转到步骤（2）进行再一次的循环，直至达到循环结束条件（网格间隔h<ε），完成参数的寻优。

本发明的有益效果：本方法采用上述方案，通过改进蚁群算法中蚂蚁更新信息素的方式，快速选择最佳组合并且避开最差组合，从而提高了寻求参数最佳组合的速度和准确率。并且在改进的蚁群算法中融合了网格和高概率随机选择的原则，增加了蚂蚁对最优解的敏感度并且避免陷入局部极值，增加了对全局最优解的寻找能力。本发明方法解决了支持向量机的参数选择的难题，将本发明方法应用于轴承故障诊断，实现很好的故障分类效果。

附图说明

图1是基于改进蚁群算法优化支持向量机的流程图。

图2是参数空间网格图。

图3是数据的峰峰值曲线图。

图4是数据的平局值曲线图。

图5是数据的绝对平均值曲线图。

图6是数据的均方值曲线图。

图7是数据的根植曲线图。

图8是数据的方差曲线图。

图9是数据的标准偏差曲线图。

图10是数据的偏度曲线图。

图11是数据的峰值曲线图。

图12(A)是负载为0hp和故障直径为14mil的数据集的准确率曲线图。