[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

说明书

本发明涉及一种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，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1代表内圈故障，出现2代表滚动体故障，出现3代表外圈6点钟方向故障，出现4代表外圈3点钟方向故障，出现5代表外圈12点钟方向故障，出现6代表正常。本发明使用量子差分进化算法优化支持向量机模型，从而实现参数的自适应调整。相比传统的差分进化算法，量子的差分进化算法在优化支持向量机模型时，可以减少需要花费的时间，提高优化的精度，使得模型拥有更可靠的故障诊断性能。

技术领域

本发明属于智能故障诊断技术领域，涉及量子差分进化算法优化支持向量机(SVM)的滚动轴承故障诊断方法。

背景技术

随着计算机性能的飞速发展，有越来越多的学者将机器学习中的各种算法应用在滚动轴承的故障诊断中。支持向量机作为机器学习中最为经典的算法之一，在故障诊断领域也有广泛的应用。支持向量机通过训练数据计算出超平面，再使用此超平面来划分数据的类别，从而实现故障诊断。超平面的设置不仅与训练数据相关，还与两个参数C和γ的取值相关，若这两个参数设置的不合适，将会极大的影响支持向量机的诊断精度。因此，使用优化算法对这两个参数进行自适应地调整有相当的必要性。但优化算法也有其局限性，如容易陷入局部最优、鲁棒性不高等问题。特别是在当今的大数据背景下，传统优化算法还需要面对一个不可回避的问题，即优化迭代时间过长，这将会极大的影响故障诊断的效率。

发明内容

为解决现有技术中存在的问题，本发明提供一种量子差分进化算法优化支持向量机(SVM)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：

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，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；一维列向量Q中的1代表内圈故障，2代表滚动体故障，3代表外圈6点钟方向故障，4代表外圈3点钟方向故障，5代表外圈12点钟方向故障，6代表正常；

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，取代现有的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。

所述改进的量子旋转门的示意图如图2所示。

量子比特不同于经典比特。经典比特只能为1或者0，而量子比特在被观测之前，处于叠加态之中。处于叠加态的量子比特既是1也是0，即n个量子比特等于2ⁿ个经典比特。利用量子比特的特性可以实现运算的加速，提高算法的效率。

差分进化算法是基于种群的优化算法，种群的多样性极大的影响着差分进化算法的性能。理想的情况是：在差分进化算法迭代进化的前期，尽可能的拓展种群的多样性，在差分进化算法迭代进化的后期，尽可能的提高种群的收敛速度，量子差分进化算法同样也是如此。