[发明专利]一种改进灰狼优化DBN-ELM的亚健康状态识别方法

权利要求书

1.一种改进灰狼优化DBN-ELM的亚健康状态识别方法，其特征在于，其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；

2)降噪处理：采用小波阈值降噪法，选取小波基函数为db5，分解层数为5，对每层高频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处理，根据式(1)计算阈值:

其中，T为阈值，σ为噪声标准差，N为信号长度；

3)特征选择：计算k阶中心矩，偏度，峰度，峰度因子，波形因子，脉冲因子，裕度因子等时域特征参数，将其作为时域特征向量；

4)数据归一化处理：将时域特征向量通过归一化处理得到最终数据作为模型输入，利用小波阈值降噪得到的数据经过特征选取得到特征向量转化为(0,1)区间范围的数据，所用公式为式(2)：

其中：X*是归一化后的结果，X表示样本集中的原数据，min表示样本集X中的最小数据，max表示样本集X中的最大数据；

5)亚健康状态识别：

5.1)设置种群数量、迭代的最大次数等相关参数；

5.2)初始化A、C和a等相关参数；

5.3)将数据预处理后得到的特征向量输入DBN-ELM模型进行训练；

5.4)计算种群中每个灰狼个体的适应度值，并对其进行排序，选择前三只狼，分别设为α狼、β狼和δ狼，记录并保存这三只狼的位置；

5.5)更新除α狼、β狼和δ狼以外的其他灰狼个体的位置；

5.6)更新C、A、a的值；

5.7)重新计算下种群中所有灰狼个体的适应度值并排序，与前一次迭代比较，更新α狼、β狼、δ狼的适应度值及其相应的位置作为下一代继续寻优，判断是否达到算法结束条件，即最大迭代次数，若达到设定最大迭代次数，算法停止迭代，输出α狼的位置X_α，否则回到步骤5.4)；

5.8)用改进后的灰狼算法来寻找DBN-ELM隐藏层各层神经元数目，隐藏层各层神经元数目分别映射为α狼的位置，求得最终的DBN-ELM隐藏层各层神经元数目，利用训练好的DBN-ELM网络训练测试数据，输出轴承分类结果。

2.根据权利要求1所述的一种改进灰狼优化DBN-ELM的亚健康状态识别方法，其特征在于，所述的步骤5.5)中，具体方法为：

以α，β，δ为指导的狼群从各方向靠拢猎物，进而达到捕食的目的；这种行为的数学描述为:

其中：D_α，D_β，D_δ为领导的3只狼与猎物之间的距离；X₁，X₂，X₃代表3只狼对狼群ω指导后更新的位置；引入动态权重策略以加快灰狼算法收敛速度，在原始灰狼算法的位置更新式(5)中，α，β，δ狼的权重系数皆为1/3，即3只头狼对狼群个体的引导能力是相等的，忽略α狼、β狼、δ狼能力的不同，使得算法收敛速度缓慢；对位置更新公式的权重比例进行了调整，数学模型为：

式中W_α、W_β、W_δ分别表示α狼、β狼、δ狼指导ω狼位置更新的权重，f_α、f_β、f_δ分别表示α狼、β狼、δ狼每次迭代的适应度值。

3.根据权利要求1所述的一种改进灰狼优化DBN-ELM的亚健康状态识别方法，其特征在于，所述的步骤5.6)中，具体方法为：

具体方法为：

C＝2r₁ (7)

A＝2ar₂-a (8)

式中C为摆动因子；r₁是[0，1]间的随机数；r₂是[0，1]间的随机数，a是收敛因子，t是迭代次数，MaxIter是最大迭代次数；

从(9)式a的公式我们可以发现原始灰狼算法中a是线性收敛的，a随着迭代次数t的增加，从2线性递减到0；从而导致A同样为线性收敛，促使灰狼算法全局搜索能力和局部搜索能力不均；理想的寻优过程应为：寻优初期能够扩大寻优搜索范围，寻优后期能够缩小搜索范围进行局部寻优；在此基础上本文对原始收敛因子a进行了改进，改进公式如下：

式中a_initial、a_final分别为a的初始值2和最终值0，t是迭代次数，MaxIter是最大迭代次数。