GA-VPMCD方法及其在机械故障智能诊断中的应用.pdf

第27卷第2期 振 动 工 程 学 报 VolI27No．2 ofVibration Apr．2014 2014年4月 Journal Engineering GA—VPMCD方法及其在机械故障智能 诊断中的应用 宇1 罗颂荣1’2，程军圣1，郑近德1，杨 (1。湖南大学机械与运载工程学院，湖南长沙410082；2．湖南文理学院机械工程学院，湖南常德415000) class model—baseddiscriminate，VPMCD)方法是一种新的 predictive 摘要：基于变量预测模型的分类识别(Variable 分类识别方法，但模型类型的选择存在主观性。为了解决VPMCD方法应用于机械故障诊断过程中的模型选择问 and modelbased variable algorithm predictive 题，结合遗传算法的全局优化能力，提出了基于GA—VPMCD(Genetic model)，然后采用遗传 classdiscriminate)智能诊断方法。首先通过样本训练建立多个弱VPM(Variablepredictive 算法优化各个弱VPM的权值，得到最优权值矩阵，最后用最优权值矩阵加权融合测试样本的弱VPM特征变量预 测值，得到最佳特征变量预测值，并以误差平方和最小为辨别函数分类识别故障类型。通过GA—VPMCD方法在 滚动轴承故障智能诊断中的应用实验验证了基于GA—VPMCD的故障智能诊断方法能有效地提高诊断精度和诊 断系统的鲁棒性。 关键词：故障诊断；变量预测模型分类识别；遗传算法；机器学习 中图分类号：THl65+．3；TN911．7文献标识码：A 文章编号：1004—4523(2014)02—0289—07 构建判别函数来实现分类识别。VPMCD分类器不 discriminate 引 言 需像LDA(Linear analysis)、SVM vector (Supportmachine)等分类器一样确定决策 分类识别方法的选择是机械系统故障诊断的关 边界，也不需像贝叶斯分类器一样跟踪概率分布，从 键问题之一。常用的分类识别方法有神经网络、支 而可以实现数据点重叠的线性或非线性分类，可以 持向量机、粗糙集理论等，但都存在各自的局限 避免分类识别中维数灾难、计算复杂，运行时间长等 性n~5]。由于从原始数据中提取的全部或部分特征问题‘6～8|。 值之问的存在一定的相互内在关系，且不同的故障 将VPMCD方法引入样本稀缺的多分类机械 类别，特征值之间的相互内在关系有着明显的区别， 故障诊断领域，怎样选择合适的变量预测模型，成为 故可以利用这些相互内在关系来进行分类识别。基 了关键问题之一。作者曾对VPMC