[发明专利]一种蜂群优化核极限学习和稀疏表示机械故障识别方法

说明书

本发明公开了一种蜂群优化核极限学习和稀疏表示机械故障识别方法，用于提升机械故障识别的效率和精度。本发明结合核极限学习机的高效性优点和稀疏表示通过字典冗余捕捉信号内在本质特征的优点提出一种能够有效提高故障识别精度的核极限学习和稀疏表示的机械故障识别方法，将蜂群优化算法融入核极限学习机方法中，通过优化算法获得核极限学习机最佳模型参数进一步提升识别模型性能。输入机械信号样本首先利用蜂群优化的核极限学习机进行故障识别，对达不到预期识别结果的输入样本采用稀疏表示方法进行二次识别，从而实现快速准确的故障识别。本发明适用于机械故障识别。

技术领域

本发明涉及机械故障识别领域，特别涉及一种蜂群优化核极限学习和稀疏表示机械故障 识别方法。

背景技术

工业机械设备通常在复杂、恶劣的环境下运行，导致机械部件时常发生故障并造成经济 损失。机械设备故障发生初期具有渐进性和隐蔽性的特点，非拆卸状态下，时频域分析法可 以解决机械设备的故障识别问题，但诊断往往依赖于专家的经验判断。然而，机械设备由于 疲劳损伤发展的随机性、载荷的不确定性及失效模式的复杂多样性，使得机械设备突发失效， 故障样本较少，导致利用专业技术人员和诊断专家经验不能完全解决这一识别问题，且识别 方法不够智能化、误诊率高。

智能故障识别不需要太多系统参数和专家级的经验知识，能够在线实现高效、可靠的识 别。相较于传统的故障识别方法，如：人工神经网络、支持向量机等，核极限学习机具有多 项的优点：(1)满足快速故障识别的需要，核极限学习机是一种单隐层的前馈神经网络，学 习效率高；(2)满足稳定性、泛化性以及非线性映射关系的需要，核极限学习机可以通过核 函数的非线性映射能力实现特征空间线性不可分到线性可分的映射，进一步提升模型的泛化 能力。因为这些优点，核极限学习机近年来成为了信号模式识别领域的一项研究热点。然而， 核极限学习机在多个方面尚未成熟和完善，仍有许多问题需要进一步研究和改进：(1)传统 核函数具有不完备性，现有的核函数不能通过平移生成平方可积空间上的一组完备的基；(2) 参数选择具有盲目性问题，参数的选择决定了模型的学习能力和泛化能力；(3)对噪声十分 敏感，由于核极限学习机未对样本进行稀疏化，且原始的训练样本中存在不确定的因素，如 噪声等，模型不能捕捉信号内在本质特征，对噪声的影响比较敏感。目前基于核极限学习机 方法的故障识别准确率较低，对信号噪声敏感，难以满足现今的生产需求。

稀疏表示分类方法作为一种非参数机器学习方法逐渐成为模式识别领域的研究热点，该 模型利用由所有训练样本组成的字典对测试样本进行稀疏编码，然后根据重构误差最小准则 判定测试样本属于哪一类。稀疏表示分类方法能够有效利用字典的冗余特性对高噪信号进行 识别，实现噪声识别的需求。然而，稀疏表示分类是基于数据的一种线性表示模型，这种线 性表示往往基于字典的过完备性，导致计算复杂度高，分类效率低等问题。目前基于稀疏表 示方法的故障识别效率较低，难以满足实际要求。

综上，目前单独基于核极限学习机方法或稀疏表示方法的其中一种机械故障识别方法均 难以达到实际生产的要求。

发明内容

本发明要解决的技术问题是：提出一种蜂群优化核极限学习和稀疏表示机械故障识别方 法，能够对机械振动信号进行故障识别，具有较高的故障识别效率和准确性。

为实现上述目的，本发明采用的技术方案是：将核极限学习机方法和稀疏表示方法相结 合，构成核极限学习和稀疏表示的机械故障识别方法。同时，针对核极限学习机故障识别模 型的多参数选择问题，通过优化算法优化参数选择，进而提升识别模型的稳定性和识别精度。

进一步的，本发明将人工蜂群优化算法(ABC)融入核极限学习机方法中，通过ABC优 化算法对核极限学习机中的核参数和正则化系数进行优化选择。除了ABC优化算法，本发明 还可以选用遗传优化算法(GA)、蝗虫优化算法(GOA)等其他优化算法，本发明中核极限 学习机采用的核函数是高斯核函数，该核函数还可以是线性核函数、小波核函数等。

进一步的，本发明的具体步骤包括：