基于GAPSO-SVM 的滚动轴承故障分类方法

（浙江理工大学 信息学院，浙江 杭州 310018）

0 引言

现代社会机械设备构造复杂且生产环境多样，在自动化程度高的生产线上一旦机器发生故障，将给生产作业带来不同程度的损失。通用设备配有相当数量的滚动轴承。据统计，只有不到一成的轴承能够正常运行到预期寿命年限，大多数轴承在使用年限内出现故障后，其造成的机器生产损失远大于轴承自身价值。滚动轴承使用场景多样，因此及时准确诊断轴承状况可减少生产损失，相关研究具有十分重要的意义。

机器故障诊断技术主要分两个阶段：第一个阶段以传感器和信号技术为基础，以信号处理作为手段进行故障诊断；第二个阶段以机器学习算法为代表进行人工智能诊断［1］。对于滚动轴承故障诊断，主要利用以支持向量机（Support Vector Machine，SVM）为代表的人工智能领域算法。支持向量机是基于统计学的分类方法［2］，通过使用不同方法寻找多维超平面实现多维非线性数据分类和预测任务，此外支持向量机因易操作、自学习和比较强的泛化能力等特点，在机械故障诊断方面的应用较多，也积累了丰富的研究成果［3-5］。支持向量机分类效果很大程度上取决于参数选择（如惩罚参数C 和核函数参数G）［6］，故一些学者通过智能搜索算法寻优支持向量机参数。方清等［7］提出粒子群（Particle Swarm Optimization，PSO）改进支持向量机算法，进行数据分类和趋势预测，针对滚动轴承故障的分类实验取得了良好效果；胡勤等［8］通过遗传算法（Geneti⁃cAlgorithm，GA）改进支持向量机算法进行滚动轴承的故障诊断，较SVM 耗时短且精度高。……