单形进化算法优化的SVM滚动轴承故障诊断

郑蒙福，全海燕

(昆明理工大学 信息工程与自动化学院，昆明 650504)

在轴承故障信息诊断和识别分类方面，人工神经网络和支持向量机(support vector machines, SVM)均取得了显著的成果，然而传统的人工神经网络主要采用后向反馈网络结构，随着网络层数的增加误差不断累积，对分类的结果产生一定的影响[1-2]。SVM在对故障信息诊断方面具有很好的性能，但SVM的参数选择将直接影响其模型的学习能力和性能，如何得到SVM最优的参数组合是学者必须考虑的问题[3-5]。因此，众多学者采用智能优化算法研究SVM最优模型参数，常用有遗传算法、蚁群算法、粒子群算法及其改进算法，例如：文献[6-7]。上述算法在SVM参数优化中取得了一定的效果，但其本身还存在着一些不足，例如：遗传算法存在搜索速度慢、编解码增加了计算的复杂度、对初始种群的选择有一定的依赖性等问题；蚁群算法存在搜索时间较长、易产生停滞情况、本质上是离散性限制了算法的应用范围等问题；粒子群优化算法存在易陷入局部最优、后期收敛性较差等问题。另外，大多改进的优化算法引入更多的控制参数，增加了算法的复杂度。

针对上述问题，提出单形进化算法(surface-simplex swarm evolution, SSSE)优化的SVM滚动轴承故障识别方法。该方法的思想是将单形进化算法[8]引入到SVM中进行学习，优化SVM的参数。其中，单形进化算法是通过全随机的搜索机制建立粒子所在的单形邻域，在减少算法的控制参数的同时保证了算法的收敛性，也减少了算法对初始值的依赖；……