[发明专利]一种基于改进LSSVM的滚动轴承故障诊断方法

说明书

本发明涉及一种基于改进LSSVM的滚动轴承故障诊断方法，属于机械工程自动化技术领域。本发明首先采用变分模态分解VMD的方法对滚动轴承的故障数据进行特征提取，并计算分解后各个模态分量的多尺度排列熵MPE，通过VMD‑MPE特征提取的方法构造信号的特征向量，输入到鲸鱼算法WOA优化的最小二乘支持向量机中进行识别分类，最后输出诊断结果。通过设置适应度对比、诊断准确率比较和训练时间与测试时间的比较等一系列对比实验，证明了该模型的有效性以及稳定性，并且该模型在滚动轴承故障诊断系统中具有很好实用效果。本发明使得故障诊断过程表达清晰准确，故障诊断模型合理有效，提高了其分类预测效果。

技术领域

本发明涉及一种基于改进LSSVM的滚动轴承故障诊断方法，属于机械工程自动化技术领域。

背景技术

随着现今科学技术不断快速的发展，大型机械设备的系统及其部件也朝着更大型化、复杂化、智能化方向发展。因此，机械设备部件之间的关系也变得越来越复杂与密切，一旦这其中某些关键部件发生了故障，就会引发一系列的生产事故。滚动轴承是大型机械设备中的关键部件，由于其常处于复杂的工况下，因而也是最易出现故障的部件之一。滚动轴承故障诊断的目的就是为了尽早将轴承的各种故障扼杀在摇篮里。

发明内容

本发明要解决的技术问题是用尽可能快的速度得出高准确率的故障分类，提供了一种基于改进LSSVM的滚动轴承故障诊断方法。

本发明采用的技术方案是：一种基于改进LSSVM的滚动轴承故障诊断方法，首先采用变分模态分解(Variational Mode Decomposition,VMD)的方法对滚动轴承的故障数据进行特征提取，并计算分解后各个模态分量的多尺度排列熵(MPE)，通过VMD-MPE特征提取的方法构造信号的特征向量，然后利用鲸鱼算法(Whale Optimization Algorithm,WOA)对最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)算法模型的惩罚因子c和核函数参数σ参数进行优化处理，得到优化后的LSSVM模型即WOA-LSSVM故障诊断模型，最后利用该故障诊断模型对滚动轴承进行故障诊断。

具体步骤:

(1)实验以滚动轴承为研究对象，采用来自美国凯斯西储大学的滚动轴承振动信号数据来验证实验的真实有效性。驱动端轴承故障采样频率为12kHz。滚动轴承的转速设置为1979r/min，选取轴承在正常状态、内圈故障、滚动体故障和外圈故障四种工作状态下的振动信号。通过变分模态分解(VMD)的方法对滚动轴承的故障数据进行特征提取，并计算分解后各个模态分量的多尺度排列熵(MPE)，通过VMD-MPE特征提取的方法构造信号的特征向量，

(2)在提取特征之后，利用鲸鱼算法(WOA)对最小二乘支持向量机(LSSVM)算法模型的惩罚因子c和核函数参数σ参数进行优化处理，得到优化后的LSSVM模型即WOA-LSSVM故障诊断模型，最后利用该故障诊断模型对滚动轴承进行故障诊断。具体诊断方法：在提取各90组训练数据的特征之后，将特征向量输入到由鲸鱼算法优化的最小二乘支持向量机中进行训练，最后将各30组测试数据输入到训练好的模型中，最终得到测试数据的故障类型，并计算出WOA-LSSVM诊断模型的准确率为91.67％。

鲸鱼捕食过程分为以下三个阶段：

第一、包围猎物

鲸鱼通过判断猎物的位置，不断更新自己的位置向最近的鲸鱼位置靠近并进行环绕式包围，用数学式表示该过程：

D＝|CX^*(t)-X(t)| (1)

X(t+1)＝X^*(t)-AD (2)

式中：X^*(t)为当前最优解；X(t)为当前解；A为收敛系数向量，C为摆动系数向量，定义式为：

A＝2ar-a (3)