單形進(jìn)化算法優(yōu)化的SVM滾動軸承故障診斷

鄭蒙福，全海燕

(昆明理工大學(xué) 信息工程與自動化學(xué)院，昆明 650504)

在軸承故障信息診斷和識別分類方面，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machines, SVM)均取得了顯著的成果，然而傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)主要采用后向反饋網(wǎng)絡(luò)結(jié)構(gòu)，隨著網(wǎng)絡(luò)層數(shù)的增加誤差不斷累積，對分類的結(jié)果產(chǎn)生一定的影響[1-2]。SVM在對故障信息診斷方面具有很好的性能，但SVM的參數(shù)選擇將直接影響其模型的學(xué)習(xí)能力和性能，如何得到SVM最優(yōu)的參數(shù)組合是學(xué)者必須考慮的問題[3-5]。因此，眾多學(xué)者采用智能優(yōu)化算法研究SVM最優(yōu)模型參數(shù)，常用有遺傳算法、蟻群算法、粒子群算法及其改進(jìn)算法，例如：文獻(xiàn)[6-7]。上述算法在SVM參數(shù)優(yōu)化中取得了一定的效果，但其本身還存在著一些不足，例如：遺傳算法存在搜索速度慢、編解碼增加了計(jì)算的復(fù)雜度、對初始種群的選擇有一定的依賴性等問題；蟻群算法存在搜索時(shí)間較長、易產(chǎn)生停滯情況、本質(zhì)上是離散性限制了算法的應(yīng)用范圍等問題；粒子群優(yōu)化算法存在易陷入局部最優(yōu)、后期收斂性較差等問題。另外，大多改進(jìn)的優(yōu)化算法引入更多的控制參數(shù)，增加了算法的復(fù)雜度。

針對上述問題，提出單形進(jìn)化算法(surface-simplex swarm evolution, SSSE)優(yōu)化的SVM滾動軸承故障識別方法。該方法的思想是將單形進(jìn)化算法[8]引入到SVM中進(jìn)行學(xué)習(xí)，優(yōu)化SVM的參數(shù)。其中，單形進(jìn)化算法是通過全隨機(jī)的搜索機(jī)制建立粒子所在的單形鄰域，在減少算法的控制參數(shù)的同時(shí)保證了算法的收斂性，也減少了算法對初始值的依賴；……