[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

说明书

本发明涉及一种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，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。本发明使用改进的差分进化算法优化随机森林可以实现参数的自适应调整，使得模型优异的鲁棒性和准确度。

技术领域

本发明属于故障智能诊断技术领域，涉及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。

背景技术

人工智能算法在当今得到了长足的发展，智能诊断方法也广泛的应用于滚动轴承的故障诊断中。随机森林就是最为典型的智能诊断方法之一。和其他算法一样，随机森林同样带有需要调节的超参数，针对不同的故障诊断问题超参数都有不同的最优组合。人工调节超参数需要花费大量的时间，而故障诊断领域通常希望算法尽快做出响应，所以将最优化方法引入故障诊断领域非常具有现实意义。差分进化算法是进化算法的重要分支之一，它的优势不仅表现在性能和收敛速度上，同时它还拥有极高的可操控性，只有三个参数需要指定。但与其他最优化方法一样，差分进化算法同样容易陷入局部最优，无法寻找到最优的超参数组合，从而使得随机森林算法无法取得高精度的故障诊断结果。

发明内容

为解决现有技术中存在的问题，本发明提供一种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；

为达到上述目的，本发明采用的方案如下：

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，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；