基于混沌人工蜂群算法優化的SVM 齒輪故障診斷

劉 霞，張姍姍，胡銘鑒

(1.東北石油大學電氣信息工程學院，黑龍江大慶163318; 2.新疆石油勘探設計研究(有限公司)儀信所，新疆克拉瑪依834000)

基于混沌人工蜂群算法優化的SVM 齒輪故障診斷

劉 霞1，張姍姍1，胡銘鑒2

(1.東北石油大學電氣信息工程學院，黑龍江大慶163318; 2.新疆石油勘探設計研究(有限公司)儀信所，新疆克拉瑪依834000)

為克服支持向量機中模型參數的隨意選擇對分類性能造成的不利影響，提出了基于混沌人工蜂群算法的支持向量機(CABC-SVM:Chaotic Artificial Bee Colony algorithm of Support VectorMachine)參數優化方法。該方法采用Logistic混沌映射初始化種群和錦標賽選擇策略，對支持向量機的懲罰因子和核函數參數進行優化時以分類準確率作為適應度函數。通過UCI標準數據集實驗證明，CABC具有較強的局部和全局搜索能力，其優化的支持向量機可在很大程度上克服局部極值點，從而獲取更高的分類準確率，并有效縮短了搜索時間。將該方法應用于實際齒輪故障診斷中，采用小波相對能量作為特征輸入支持向量機，分類準確率達到99.4%，驗證了該方法的可行性和有效性。

支持向量機;混沌人工蜂群算法;參數優化;齒輪故障診斷

0 引 言

齒輪作為一種廣泛應用于變速傳動系統的機械部件，其工作環境具有高速、重負載和強沖擊的特點，再加上自身的復雜結構使齒輪發生故障的概率大大增加。因此，以齒輪故障的識別診斷研究作為國內外的研究熱點，具有非常重要的現實意義與價值。

近年來，在齒輪故障診斷領域應用較廣泛的是基于人工神經網絡的模式識別方法［1］，該方法要求具有大量典型的故障樣本數據或經驗數據進行訓練學習，而齒輪的故障數據不能大量獲取［2］，使人工神經網絡的理論優勢在實際應用中難以發揮。……