[发明专利]改进差分进化算法优化随机森林的滚动轴承故障诊断方法

权利要求书

1.改进差分进化算法优化随机森林的滚动轴承故障诊断方法，其特征是：包括采用改进差分进化算法优化随机森林的故障诊断模型和依此改进差分进化算法优化随机森林的故障诊断模型进行故障诊断；

所述采用改进差分进化算法优化随机森林的故障诊断模型为：

所述中，P_train为训练随机森林模型的输入特征矩阵，Q_train为训练随机森林模型的一维列向量；

所述依此模型进行故障诊断是指将待故障诊断的滚动轴承的输入特征矩阵P输入到所述故障诊断模型中，得到一维列向量Q，Q中出现0代表正常，出现1代表滚动体故障，出现2代表外圈故障，出现3代表内圈故障，出现4代表保持架故障；

所述是关于随机森林的三个参数、输入特征矩阵为P和基于P_train和Q_train建立的随机森林滚动轴承故障诊断模型；将随机森林中的三个参数n_estimators、min_samples_leaf和max_feature作为种群内的个体向量，使用改进差分进化算法进行优化；即随机森林的三个参数分别为：

所述中，G为改进差分进化算法的最大迭代次数，n_estimators_G,best、min_samples_leaf_G,best、max_feature_G,best均为改进差分进化算法从第G代种群中选出的对于随机森林算法而言精度最高的参数，将n_estimators_G,best、min_samples_leaf_G,best、max_feature_G,best组成为列向量z_G，为改进差分进化算法从第G代种群中选出的对于随机森林算法而言精度最高的个体向量；

所述待故障诊断的滚动轴承的输入特征矩阵P为滚动轴承从正常运行至因发生故障而导致其损坏失效的全寿命周期数据R的九个时域特征构成的矩阵，发生的故障为滚动体故障、外圈故障、内圈故障或保持架故障中的其中一个；

其中，R的数据个数为L×t，L为在一秒的时间内采集的数据个数即采样频率，t为滚动轴承从正常运行至因发生故障而导致其损坏失效采集数据的总时间；P的列数为9，行数为t；

所述九个时域特征是指按照R中数据的时间顺序，分别计算出L×1、L×2、…、L×t的均方根X_rms、平均值X_mean、方差X_var、标准差X_std、偏度X_skew、峭度X_kurt、波形因子X_form、峰值因子X_crest和脉冲因子X_pulse；所述九个时域特征构成的矩阵如下：

P＝[X_rms,X_mean,X_var,X_std,X_skew,X_kurt,X_form,X_crest,X_pulse]；

所述采用改进差分进化算法优化随机森林的故障诊断模型中，采用多种群交流策略，改进差分进化算法的种群交流策略为基于种群中最优个体向量相关性的交流策略，数学表达式如下：

其中i≠j，且i,j∈[1,NP]，NP为种群个数，x_j,worst,g为第g代中第j个种群里的精度最低的个体向量，x_i,best,g为第g代中第i个种群里精度最高的个体向量；α为判断两个最优个体向量是否相似的阈值；若小于阈值，则用i种群中最优个体向量取代j种群中最劣个体向量；

所述采用改进差分进化算法优化随机森林的故障诊断模型中，改进差分进化算法的缩放因子F的数学表达式如下：

其中，g代表当前进化代数，G代表进化的总次数；m和n为缩放因子F的上限和下限；

所述采用改进差分进化算法优化随机森林的故障诊断模型中，改进差分进化算法的交叉因子CR的数学表达式如下：

其中，g代表当前进化代数，G代表改进差分进化算法的最大迭代次数；rand[0,1]为随机生成的0到1范围内的随机数，p和q为交叉因子CR的上限和下限；

所述采用改进差分进化算法优化随机森林的故障诊断模型中，采用种群拓展策略，改进差分进化算法的种群拓展策略的数学表达式如下：

当连续三代种群的进化陷入停滞时引入拓展策略，即：

f(x_best,g-2)＝f(x_best,g-1)＝f(x_best,g)；

其中，f(x_best,g-2)为个体向量x_best,g-2的适应度值；f(x_best,g-1)为个体向量x_best,g-1的适应度值；f(x_best,g)为个体向量x_best,g的适应度值；x_best,g-2为第g-2代中精度最高的个体向量；x_best,g-1为第g-1代中精度最高的个体向量；x_best,g为第g代中精度最高的个体向量；再对当前代个体向量x_best,g施加一个随机扰动，并取代全种群中任意一个向量，数学表达式如下：

其中，x_λ,μ,g为第g代中第λ种群中第μ个个体，NP为种群个数，N为每一个种群内的个体向量的数量；a₁,a₂,...,a_n为随机森林待优化的参数，n＝3；C为扰动系数。