买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京航空航天大学

摘要：本发明公开了一种高准确率的滚动轴承智能故障特征选择方法，包括以下步骤：对轴承典型故障的振动信号样本提取高维特征，进行归一化操作后得到初始特征集；进行特征预选，计算出各个特征的综合权重，并进行降序排列，设置阈值，将小于阈值的特征剔除，初步构建敏感特征子集；采用佳点集初始化策略、收敛因子非线性调整策略、高斯变异策略对传统灰狼优化算法进行改进；建立适应度函数，利用改进的灰狼优化算法完成最佳特征子集的搜索并同步优化SVM分类器的参数；利用最优特征子集与最佳参数组合对SVM分类器进行训练与测试，实现高准确率的滚动轴承故障诊断。本发明显著提高了分类器模型的诊断准确率，有效实现了故障数据集的特征降维。

主权项：1.一种高准确率的滚动轴承智能故障特征选择方法，其特征在于：包括以下步骤：1利用基于Hilbert-Huang变换的方法对轴承典型故障的振动信号样本提取高维特征，进行归一化操作后得到初始特征集；2利用ReliefF与拉普拉斯分值的混合算法进行特征预选，计算出各个特征的综合权重，并进行降序排列，设置阈值，将小于阈值的特征剔除，初步构建敏感特征子集；所述步骤2通过以下公式实现： 式1中，W表示各个特征的ReliefF权值向量，fi表示需要评价的某一特征，i为特征序号，R表示随机样本集，classR表示该样本集合所属类别，Hj表示该样本集合的同类近邻样本，Mj表示该样本集合的异类近邻样本，j为样本序号，m表示迭代次数，k表示近邻样本个数，diff表示样本之间的距离，c为与样本R不同的类总数，Pc为第c类的概率；式2中，Lr表示各个特征的拉普拉斯分值，r为特征序号，x表示数据集样本构成的节点，α、β表示节点序号，n表示节点总数，Sαβ表示数据样本的加权矩阵，Dαα表示对角矩阵，fr表示整个数据集第r维特征的均值；分别对两组权重值做标准化处理，使其均值为0，标准差为1，则得到特征评价的综合权重CWr＝Wr-Lr，Wr、Lr分别表示标准化之后的特征权值，CWr越大，则该特征越重要；3采用佳点集初始化策略、收敛因子非线性调整策略、高斯变异策略对传统灰狼优化算法进行改进；所述步骤3通过以下公式实现：D＝C·Xpt-Xt3Xt+1＝Xpt-A·D4pnk＝{{g1m×z},...,{gdm×z},1≤z≤m}5 式中，D代表灰狼优化算法中灰狼与猎物之间的距离向量，t代表算法当前的迭代次数，Xp是猎物的位置向量，X代表一头灰狼的位置向量，A与C均为系数向量，pnk表示佳点集初始化策略中的佳点集，g为佳点，d表示欧式空间立方体的维数，z为1到m之间的正整数，a表示非线性收敛因子，initial代表初始状态，初始值ainitial＝2，final代表终止状态，终止值afinal＝0，Tmax表示最大迭代次数，N0,1表示变异算子中的标准高斯分布；4建立适应度函数，利用改进的灰狼优化算法完成最佳特征子集的搜索并同步优化SVM分类器的参数；5利用最优特征子集与最佳参数组合对SVM分类器进行训练与测试，实现高准确率的滚动轴承故障诊断。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种高准确率的滚动轴承智能故障特征选择方法