[发明专利]量子差分进化算法优化SVM的滚动轴承故障诊断方法

权利要求书

1.量子差分进化算法优化支持向量机的滚动轴承故障诊断方法，其特征是：将由振动传感器采集到的待故障诊断的滚动轴承的输入特征矩阵P输入到故障诊断模型中，得到一维列向量Q；

故障诊断模型的构建过程为：将振动传感器采集的数据作为训练集对初始状态的支持向量机模型进行训练，通过不断的迭代寻找到精度最高的惩罚因子C和核函数参数γ的取值，得到所述故障诊断模型；

所述迭代的过程中，采用量子差分进化算法对支持向量机模型的惩罚因子C和核函数参数γ进行优化；所述量子差分进化算法是将差分进化算法与量子理论结合得到，具体为：首先，以量子比特的编码方式取代差分进化算法中的实数编码方式，每一个实数值使用m个量子比特来表示；然后，采用改进的量子旋转门来更新量子比特中的量子角度取代差分进化算法中的变异和交叉策略；

改进的量子旋转门更新后的量子角度与改进的量子旋转门的数学公式为：

其中，θ^*代表改进的量子旋转门更新后的量子角度，θ代表改进的量子旋转门更新前的量子角度，Δ代表改进的量子旋转门旋转的角度，rand(0,1)为随机生成的0到1范围内的随机数，G代表量子差分进化算法的最大迭代次数，g代表当前迭代次数。

2.根据权利要求1所述的量子差分进化算法优化支持向量机的滚动轴承故障诊断方法，其特征在于，故障诊断模型的构建的具体步骤为：

(1)使用振动传感器采集滚动轴承内圈故障数据、滚动轴承滚动体故障数据、滚动轴承外圈6点钟方向故障数据、滚动轴承外圈3点钟方向故障数据、滚动轴承外圈12点钟方向故障数据和滚动轴承正常状态运行数据；并划分训练集和测试集；

(2)构建量子差分进化算法优化支持向量机模型的初始状态的故障诊断模型；

(3)以训练集的数据对初始状态的故障诊断模型进行训练，以最大迭代次数G为终止条件进行迭代，通过不断的优化，寻找到精度最高的惩罚因子C和核函数参数γ的取值，得到所述故障诊断模型，记为：

其中，Q为故障诊断模型的输出，P_train为滚动轴承故障诊断模型的训练特征矩阵，P为待故障诊断的滚动轴承的输入特征矩阵，Q_train为滚动轴承故障诊断模型的训练一维列向量；Z_G为量子差分进化算法迭代G次之后得到的对于支持向量机模型来说最优的个体向量；

其中，W₁为采集的滚动轴承内圈故障数据，W₂为采集的滚动轴承滚动体故障数据，W₃为采集的滚动轴承外圈6点钟方向故障数据，W₄为采集的滚动轴承外圈3点钟方向故障数据，W₅为采集的滚动轴承外圈12点钟方向故障数据，W₆为采集的滚动轴承正常状态运行数据；

其中，S₁为W₁的标签向量，S₂为W₂的标签向量、S₃为W₃的标签向量、S₄为W₄的标签向量、S₅为W₅的标签向量、S₆为W₆的标签向量；S₁、S₂、S₃、S₄、S₅、S₆为：

其中，1为滚动轴承出现内圈故障的标签，2为滚动轴承出现滚动体故障的标签，3为滚动轴承出现外圈6点钟方向故障的标签，4为滚动轴承出现外圈3点钟方向故障的标签，5为滚动轴承出现外圈12点钟方向故障的标签，6为滚动轴承正常运行的标签。

3.根据权利要求2所述的量子差分进化算法优化支持向量机的滚动轴承故障诊断方法，其特征在于，所述量子差分进化算法包括使用量子比特对种群进行编码、使用改进的量子旋转门更新量子角度以及对量子比特进行观测。

4.根据权利要求3所述的量子差分进化算法优化支持向量机的滚动轴承故障诊断方法，其特征在于，步骤(3)中，50≤G≤100。