基于改进粒子群优化SVM的轴承故障识别研究

曹进华

摘  要：为了提高轴承故障严重程度识别的准确率，本文提出基于改进粒子群算法优化SVM的轴承故障识别方法。针对粒子群算法易陷入局部最优的不足，引入Levy飞行方式改进粒子群算法的寻优过程。在运算过程中，该方法通过粒子群的进化程度，将粒子种群动态的划分为较优子群和较差子群;较差子群以PSO算法为指导进行全局搜索，较优子群中引入Levy飞行方式，粒子围绕最优个体进行精细化的寻优过程;两个子群通过种群之间个体的重组和全局最优个体的更新实现信息交换。通过实验数据分析的结果表明：基于LPSO优化SVM参数提高了轴承故障识别的准确率，效果优于其他几种方法。

关键词：粒子群算法;支持向量机;故障识别;滚动轴承

中图分类号：TH133;TP181     文献标识码：A 文章编号：2096-4706（2019）12-0148-04

Abstract：In order to improve the recognition accuracy of bearing fault severity identification. In view of the problem，a bearing fault recognition based on improvement PSO algorithm optimized SVM is proposed. Due to the demerits of PSO optimization algorithm，such as easily relapsing into local optimum，introducing Levy flight strategy to improve PSO algorithm. In the process of computation，the method divides the dynamics of particle population into better subgroups and worse subgroups by the evolutionary degree of particle swarm. The worse subgroups are searched globally under the guidance of PSO algorithm. Levy flight mode is introduced into the better subgroups，and the particles are refined around the optimal individuals. The information exchange between the two sub-populations is realized by the reorganization of individuals and the updating of the globally optimal individuals. The results of experimental data analysis show that optimization of SVM parameters based on LPSO improves the accuracy of bearing fault identification，and the effect is better than other methods.

Keywords：PSO;SVM;fault recognition;rolling bearing

0  引  言

長期以来，滚动轴承故障模式识别一直是故障诊断领域的焦点问题。通过建立有效模型，及时检测滚动轴承的状态信息，准确识别轴承故障可以避免“维修不足”和“过剩维修”所带来的经济损失，降低维修成本，提高机械设备正常运转可靠性。近年来，因为支持向量机（SVM）方法的小样本学习能力和泛化能力突出，在故障模式识别领域得到广泛应用。张超等人[1]将支持向量机用于完成齿轮箱的故障诊断。Moura等[2]通过支持向量回归机预测失效和可靠性的问题。翟永杰等[3]通过分级聚类的支持向量机实现汽轮机故障诊断。目前，SVM的研究重点在于提高其分类性能，其关注焦点集中于优化惩罚参数和核参数。传统的参数优化方法通常有网格搜索法、穷举法和梯度下降法等方法，这些方法可以对参数进行一定的优化，但是都存在搜索精度不高且耗时较长的不足[4]。近年来，一些智能算法，如遗传算法（GA）、果蝇算法（FOA）以及人工鱼群算法（AFSA）等，在惩罚参数和核参数的优化过程中得到广泛应用，也取得了良好的效果。当然，在应用过程中发现这些算法也有一定的缺陷，例如，遗传算法（GA）容易出现早熟现象，并且操作过程较为复杂;果蝇算法（FOA）易陷入局部最优，且寻优精度不高;人工鱼群算法（AFSA）依据经验选择人工鱼视野和步长等，这些因素都使SVM参数的寻优精度明显降低。相较而言，粒子群算法（PSO）具备算法简单、易于实现的优点，广泛应用于模型优化、模式识别等多个领域[5，6]。

为了有效识别轴承故障严重程度，将改进粒子群算法和SVM结合，提出了一种新的轴承故障严重程度识别方法，最后结合实验分析，证明了该方法的优越性。

1  SVM算法及相关参数

2.1  粒子群算法的改进策略

从粒子群算法实现步骤可知，粒子种群在整个迭代过程一直保持向最优个体学习的趋势，一旦发现最优的粒子个体，则所有粒子都向该粒子位置聚集。如果该位置不是全局最优的话，粒子群算法就会陷入局部最优，进而影响整个粒子群的收敛速度和收敛精度，我们不希望看到这种情况。据以往经验来看，在整个搜索空间里，全局最优位置往往与局部最优位置相差不远。此外在一定程度上，整个种群的进化速度不是由较优个体决定的，而是主要取决于较差个体。另外，自然界中蜜蜂、蝙蝠等动物觅食行为，采用的是类似Levy飞行的方式，这种飞行方式交叉使用了短距离的探索性蹦跳和偶尔的较长距离行走两种方式。当针对自身周围的小范围进行搜寻时，采用短距离的蹦蹦跳跳，而对另一个更广阔的范围区域进行搜寻时，为了保证自身能够进入，在搜索时采用偶尔较长距离的行走。鉴于Levy飞行的优点，本文提出了一种具有Levy飞行特征的双粒子群子优化算法（LPSO）。