基于改进麻雀搜索算法优化SVM的轴承故障诊断研究.pdf

舰 船 电 子 工 程2023 年第 9 期收稿日期：2023年3月9日，修回日期：2023年4月21日作者简介：文征，男，硕士研究生，研究方向：机械故障诊断。段俊勇，男，博士，副教授，研究方向：电液伺服技术。基于改进麻雀搜索算法优化 SVM 的轴承故障诊断研究文征段俊勇杨化林（青岛科技大学青岛266100）摘要对于当前SVM分类能力受到自身参数影响较大的问题，提出一种基于改进麻雀搜索算法（ISSA）的故障诊断方法，对支持向量机进行优化。首先介绍了基本的麻雀搜索算法，之后使用高斯变异与Tent混沌映射将其进行优化改进，改进后的算法能够有效提升收敛速度，并且避免算法陷入局部最优解，增强算法的全局搜索能力。采用改良的麻雀搜索算法（ISSA），优化支持向量机的惩罚参数（C）和核参数（g），构建ISSA-SVM滚动轴承故障诊断模型。最终结果显示，ISSA-SVM诊断模型对滚动轴承正常状态和故障状态下的故障诊断准确率最高达 100%，比改进前的麻雀搜索算法诊断模型（SSA-SVM）提高了1.81%，比粒子群优化算法诊断模型（PSO-SVM）提高了2.23%。关键词故障诊断；支持向量机；麻雀搜索算法；混沌映射；高斯变异中图分类号TH133.33DOI：10.3969/j.issn.1672-9730.2023.09.031Research on Bearing Fault Diagnosis Based on Improved SparrowSearch Algorithm to Optimize SVMWEN ZhengDUAN JunyongYANG Hualin（Qingdao University of Science and Technology，Qingdao266100）AbstractFor the current problem that the classification ability of SVM is greatly affected by its own parameters，a fault diagnosis method based on improved sparrow search algorithm（ISSA）is proposed to optimize the support vector machine.Firstly，thebasic sparrow search algorithm is introduced，and then the Tent chaotic mapping and Gaussian variation are applied to the sparrowsearch algorithm for optimization to improve the convergence speed and global search ability of the algorithm，so as to avoid the algorithm from falling into the local optimal solution.The improved sparrow search algorithm（ISSA）is used to optimize the penalty parameters（C）and nuclear parameters（g）of the support vector machine to construct the ISSA-SVM rolling bearing fault diagnosismodel.The final results show that the ISSA-SVM diagnostic model has up to 100%accuracy in troubleshooting in the normal andfault conditions of rolling bearings，which is 1.81%higher than the improved sparrow search algorithm diagnostic model（SSA-SVM）and 2.23%higher than the particle swarm optimization algorithm diagnostic model（PSO-SVM）.Key Wordsfault diagnosis，support vector machine，sparrow search algorithm，chaos mapping，Gaussian variationClass NumberTH133.33总第 351 期2023 年第 9 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.91引言轴承是机械设备中的重要组成部分，主要功能是支持机械旋转体，减少机械转动中产生的摩擦。随着现代工业的发展，机械设备需要维持长时间的运行，对其整体的强度有了新的要求，这也导致机械出现故障的概率有了明显的提高1。其中，滚动轴承作为机械设备的一部分，其重要性不言而喻，据相关统计，工业机械的故障大多与滚动轴承有关。因此，如何正确诊断滚动轴承故障，对于降低机械设备的维护成本，减少事故的发生具有重要意义2。目前，机器学习方法如神经网络、模糊聚类、粗糙集等技术不断应用于滚动轴承故障诊断领域。曲建岭等3将一维卷积神经网络（ACNN-FD）应用于滚动轴承的故障诊断，其故障识别的准确率较151总第351期高，同时在不同负载下有良好的泛化能力，但是模型的训练时间较长，算法的运行效率较低；欧阳承达等4提出了一种基于模糊聚类的故障诊断方法，可以对滚动轴承所处的工作状态进行较为准确的判断，加强了故障识别能力但存在诊断效率低的缺点；陈佳5将粗糙集理论作为全新的特征降维技术，用于轴承故障诊断。优化特征参量，实现滚动轴承更为高效的故障诊断，但在算法搜索精度、开拓能力上仍然存在不足。考虑到上述方法的缺陷，以及采集轴承样本的困难程度，这些方法的使用在一定程度上有局限性。与这些方法相比，支持向量机（Support VectorMachine，SVM）在样本较小的情况下能够有效完成模式识别，增强高泛化能力强，防止过度学习的出现。许迪等6提出了量子遗传算法优化SVM 参数的分类器，能显著提高全局收敛能力，但计算量大且收敛速度慢；李红月等7提出了一种基于改进天鹰算法优化向量机的电机轴承故障诊断方法，该方法具有较好的优化时间效应，但在全局搜索能力上有一定的弱势。针对上述方法出现的问题，本文采用了改进麻雀搜索算法（ISSA）优化支持向量机的方法。首先，在基础的麻雀搜索算法上引入Tent映射初始化种群，确保初始解尽量分布在求解空间中。然后引入高斯变异，增强种群多样性，有利于更好地对潜在区域进行搜索，从而提高搜索速度，加速算法收敛趋势的优化。最后对于SVM的参数使用ISSA进行优化，构建ISSA-SVM故障分类模型，搭建实验平台对上述诊断模型进行验证，所得结果表明该方法的准确性有较高的提升。2ISSA算法麻雀搜索算法（Sparrow Search Algorithm，SSA）是由 Jiankai Xue等于 2020年提出。研究表明，圈养的麻雀存在两种不同类型：发现者和追随者。发现者负责寻找食物，并反馈具体方位，追随者主要是监视发现者并与之争抢食物。当种群遇到捕食者时，其中的一个或者多个个体就会通过声音向其它麻雀传递危险来临的信号，确保麻雀种群能够及时地避开危险，继续寻找安全的觅食区域，这样的麻雀被称为警觉者8。麻雀搜索算法就是利用麻雀的这种生物特性进行迭代寻优的优化算法。2.1Tent混沌SSA算法在种群进行初始化时具有随机性，无法保证麻雀种群均匀分布，从而降低了后续的收敛速度。然而，混沌映射由于具有随机性、遍历性和规律性等特点，在算法的优化上应用较广，可以有效地保持种群的多样性、提高算法的搜索精度和收敛速度9。混沌映射的主要类型有三种，分别为Logistic映射、Tent映射、Circle映射，单梁10等通过严格的数学推理，验证了与另外两种映射相比Tent的遍历均匀性更好，可以作为混沌序列产生优化算法。其表达式为zi+1=2zi0z122()1-zi12z1（1）2.2高斯变异高斯变异（Gaussian Mutation，GM）是利用服从正态分布的随机数作用于原位置向量产生新位置的优化策略。变异算子大多分布在原始位置周围，相当于邻域搜索在一个较小的区域内进行。这种变异在算法的准确性和全局搜索能力上都有一定的提升，对算法的改进有着明显的效果。同时，远离当前位置的少数算子增强了种群的多样性，有助于更好地对潜在区域进行搜索，从而提高搜索速度，加速了收敛趋势的算法优化。高斯变异的表达式如下所示：mutation()x=x()1+N()01（2）式中：x为原始的参数值；N()01表示期望为 0，标准差为1的正态分布随机数；mutation()x为高斯变异后得到的数值。2.3算法性能对比将优化前后的两种算法进行对比，以检验优化效果。麻雀搜索算法的设置种群规模为30，最大迭代次数为 1000。表 1为 4个不同类型的基准函数，其中前两种为高维单峰函数，后面的 F3和 F4为高维多峰函数，通过不同函数检验优化效果。采用的两个测试指标分别为平均值（mean）和标准差（std），测试结果如表2所示。表 1四种基准函数编号F1F2F3F4函数SphereSchwefell 1.2RastriginAckley维数30303030搜索区间-100,100-100,100-5.12,5.12-32,32理论极值0000从表2中可知，单峰函数F1和F2，其最优值在搜索区间中的数量为1。通过对平均值的分析，我们发现ISSA算法能寻找到理论极值0，而SSA算法只能寻找到一个接近0的值，ISSA的寻优能力明显文征等：基于改进麻雀搜索算法优化SVM的轴承故障诊断研究152舰 船 电 子 工 程2023 年第 9 期高于SSA。并且std都为0，说明ISSA的寻优能力较为稳定。表 2四种基准函数测试结果函数F1F2F3F4指标meanstdmeanstdmeanstdmeanstdSSA6.59E-1300.00E+009.07E-690.00E+003.68E-061.10E-058.88E-160.00E+00ISSA0.00E+000.00E+000.00E+000.00E+000.00E+000.00E+008.88E-160.00E+00F1和F2的收敛曲线如图1所示，从两种算法在不同测试函数的收敛曲线中可以看出，优化后的ISSA算法相较于之前的SSA算法在收敛速度上有了较大的提升，优化效果较好。100101102103迭代次数（a）F12520151050适应度值SSAISSA2015105适应度值100101102103迭代次数（b）F2SSAISSA图1F1、F2收敛曲线对于多峰函数F3，在图2中可以明显的看到，ISSA在收敛过程中的速度比SSA更快，并且SSA在收敛过程中出现多次局部最优值，并且无法跳出。图3为多峰函数F4的收敛曲线，其中ISSA在进行迭代后较快就能找到最优值，而SSA在迭代几十次之后才能找到最优值，所以通过函数F4的测试，ISSA的寻优速度依旧比SSA更快。综上所述，经过4个基准函数的测试，ISSA的寻优能力提升明显，且稳定性好、鲁棒性强，优势明显；同时，与SSA相比，ISSA的收敛速度更快，全局搜索能力更强，能有效避免陷入局部最优解，由此证明了ISSA算法的可行性和优越性。12108642适应度值100101102103迭代次数SSAISSA图2F3收敛曲线0.10.080.060.040.02适应度值100101102103迭代次数SSAISSA图3F4收敛曲线3基于ISSA优化的SVM3.1支持向量机（SVM）作为机器学习的一种，SVM的核心思想是使类别之间的间隔最大化，确保分类有更高的可信度和泛化能力，而靠近边界的数据点被称为支持向量，这个方法最早被应用于统计学11。SVM 寻找最优分类线时，当线性不可分割时，引入松弛变量，成为软间隔支持向量机，得到以下优化问题解决公式。min12T+Ci=1ni（3）s.t.yiT()xi+b 1-ii0i=12.n（4）式中，为权向量，C是惩罚参数，b为偏移量。在上式中引入拉格朗日乘子，就将上述寻优求解问题转化为对偶二次规划，得到最优分类决策函数：f()x=sgni=1j=1n*iyi()xix+b*（5）如果是解决线性不可分问题，通常是将一个低维的样本集向高维做映射，为了摆脱样本集维数增153总第351期加的问题，需要加入变量x做非线性变换，在高维空间中寻找最优分类面，所以引入一种核函数映射K()xixj。K()xixj=()xi()xj（6）从而得到非线性最优分类决策函数：f()x=sgni=1j=1n*iyiK()xixj+b*（7）式中，*i、b*为上式的解，n为训练样本数，yi为对应期望输出；xj为输入向量，一般核函数采用径向基核函数（RBF），其形式为K()xx=exp-x-y22g2（8）从上式可以看出，在SVM算法的参数中，对其分类性能影响最大的是惩罚参数（C）和核参数（g），因此可以通过上述改进的ISSA算法对其进行优化，进而提高SVM的分类能力，以实现最终的故障分类。3.2ISSA优化SVM流程图 4为 ISSA优化 SVM 流程图，其具体步骤如下：1）读取训练集，测试集数据，进行数据预处理，将训练集和测试集归一化。2）对 ISSA算法以及 SVM 相关参数进行初始化。3）经过交叉校验，将训练的样本数据进行分类。4）计算预警值，以预警值为依据，根据式（1）对发现者的位置进行更新。5）根据式（2）对追随者的位置进行更新。6）依据式（3）更新意识到危险的麻雀位置，确保种群安全。7）计算麻雀新个体的适应度，并与最优新个体进行适应度对比。依据上面的流程图对迭代次数进行判断，如果满足最大迭代次数，就得到最优参数，进而获得最优模型。不满足，则重复ISSA算法中步骤3），直到输出最优解，得到ISSA-SVM模型。4ISSA-SVM轴承故障诊断仿真实验4.1实验设计本文的实验数据来自美国凯斯西储大学的轴承数据中心，实验平台如图5所示。以驱动端的深沟球轴承SKF6205作为实验对象，其中的故障轴承是通过电火花加工制作的，系统采样频率为12KHz，转速为1797r/min，被诊断的轴承有三种缺陷位置，分别为内圈、外圈和滚动体12。使用VMD对采集到的信号进行分解和重构，提取信号特征形成特征数据集13，具体故障分类和样本编号见表3。开始归一化初始化ISSA参数及SVM参数计算初始适应度值计算预警值，根据预警值更新发现者位置更新追随者位置更新意识到危险的麻雀位置计算适应度值，记录全局最优值是否达到最大迭代次数？是否归一化归一化测试集故障数据训练集获得最优SVM模型结束图 4ISSA优化SVM模型流程图图 5实验平台表 3故障分类及样本数故障类别正常内圈故障滚动体故障外圈故障标签1234训练样本数45454545测试样本数151515154.2实验分析使用 ISSA-SVM、SSA-SVM14和 PSO-SVM15分别对故障进行分类识别，设置最大迭代次数为文征等：基于改进麻雀搜索算法优化SVM的轴承故障诊断研究154舰 船 电 子 工 程2023 年第 9 期200。图6为ISSA、SSA和PSO算法的适应度曲线，从图中可知，使用ISSA算法优化SVM，到达交叉验证准确率最优值100%的迭代次数为两次，与之相比 SSA算法的交叉验证分类准确率为 98.81%，并且SSA算法更容易陷入局部最优，PSO算法的准确率为97.77%。图 6分类准确率寻优曲线比较SVM模型的预测测试集分类和实际测试集分类的一致性可以衡量该模型的预测准确，在故障分类的准确率上 SSA-SVM 最高达到了 98.81%（59/60）。而在图 7中可以看到，ISSA-SVM模型的分类准确率更高，达到100%（60/60），相较之前有着明显的提升。图7ISSA-SVM预测类型分类结果在轴承故障的测试集和训练集不变的情况下，分别将 SSA 优化 SVM 后的诊断模型、ISSA 优化SVM后的诊断模型以及PSO优化SVM后的诊断模型进行训练和测试，结果如表4所示。表 4三种分类结果算法模型惩罚参数C核参数 g准确率/%迭代时间/sPSO-SVM53.78646.450897.7754.18SSA-SVM67.78364.394298.8142.45ISSA-SVM129.978614.165610034.45从表4可以看出三种诊断模型中，本文采用的ISSA-SVM 模型的分类准确率最高，具体数值为100%，高出 SSA-SVM 模型 1.19%，与 PSO-SVM 模型相比更是有2.23%的提升，分类识别准确率上的优势较大。实验表明，该算法在SVM参数优化方面比SSA和PSO算法的优势更加明显，能较好地提高故障诊断的准确性。5结语1）针对传统的麻雀搜索算法，利用Tent映射和高斯变异进行改进，从而得到 ISSA 算法并对SVM参数进行寻优。2）在轴承的故障诊断中应用了 ISSA 算法与SVM算法，并将两种算法进行了结合运用。此外，在轴承正常与故障振动信号的提取上，使用了VMD算法提取信号特征，从而获得良好的特征数据集。3）实验结果表明，与 SSA-SVM、PSO-SVM 算法模型相比，ISSA-SVM轴承故障诊断模型的全局搜索能力更强、收敛时间更短，有较好的分类效果，具有一定的实际应用价值。参 考 文 献1丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述 J.电子科技大学学报，2011，40（01）：2-10.2宋立钦，陈文杰，陈伟海，等.基于混合策略的麻雀搜索算法改进及应用 J.北京航空航天大学学报，2022，09（9）：1-16.3曲建岭，余路，袁涛，等.基于一维卷积神经网络的滚动轴承自适应故障诊断算法 J.仪器仪表学报，2018，39（07）：134-143.4欧阳承达，赵红梅，张军.基于模糊聚类法的滚动轴承故障诊断研究 J.自动化应用，2020（06）：29-31.5陈佳.基于粗糙集理论和人工神经网络的滚动轴承故障诊断 D.成都：西南交通大学，2012：18-21.6许迪，葛江华，王亚萍，等.量子遗传算法优化的SVM滚动轴承故障诊断 J.振动.测试与诊断，2018，38（04）：234-245.7李红月，高英杰，朱文昌.IAO优化SVM的电机滚动轴承故障诊断 J.电子测量技术，2022，45（10）：126-132.8黄敬宇.融合t分布和Tent混沌映射的麻雀搜索算法研究 D.兰州：兰州大学，2021：24-26.9吕鑫，慕晓冬，张钧，等.混沌麻雀搜索优化算法 J.北京航空航天大学学报，2021，47（08）：1712-1720.10单梁，强浩，李军，等.基于Tent映射的混沌优化算法J.控制与决策，2005（02）：179-182.（下转第233页）155舰 船 电 子 工 程2023 年第 9 期2）2#涂层体系在 AC/DC/AC 加速循环试验前后的附着力数值都比1#涂层体系的大，说明其各涂层间附着力较好，涂层的防护性能更佳，该结果与AC/DC/AC加速试验结论一致。AD/DC/AC加速试验方法能在较短的试验周期内，准确评价涂层体系防护性能，是一种很有发展前途的加速试验方法。参 考 文 献1张宗宝.船底防护涂层动态性能研究 D.大连：大连海事大学，2009：1-2.2蒋全通.EW75镁合金大气腐蚀行为研究 D.北京：北京有色金属研究总院，2014：9-12.3Lyon S B，Thompson G E，Johnson JB.Materials Evaluation Using Wet-Dray Mixed Salt Spray TestsJ.ASTMSTP 1134，1992，396：20-31.4张寒露，左禹，曹京宜，等.利用EIS研究环氧防锈涂层实验室模拟实验和实海浸泡实验相关性 J.腐蚀科学与防护技术，2016（04）：332-336.5姚珂，郭振华，李长虹.涂层的AC-DC-AC电化学加速试验评价方法及研究状况 J.装备环境工程，2017（08）：20-24.6Zadeh M A，Zwaag S，SJ Garca.Assessment of healedscratches in intrinsic healing coatings by AC/DC/AC accelerated electrochemical procedure J.Surface and CoatingsTechnology，2016，303：396-405.7HOLLAENDER J.Rapid assessment of food/package interactions by electrochemical impedance spectroscopyJ.Food Additives and Contaminants，1997，14（7）：617-626.8曹楚南，张鉴清.电化学阻抗谱导论 M.北京：科学出版社，2002：154-166.9张鉴清，曹楚南.电化学阻抗谱方法研究评价有机涂层J.腐蚀与防护，1998，19（3）：99-104.10吴剑锋，王结良，吕涛，等.电化学阻抗谱研究三种涂层体系的耐蚀性J.腐蚀与防护，2010，31（10）：760-762.11HOLLAENDER J.Impedance Test Routines for Beverage Cans C/Proceedings of the 4th International Symposium on Electrochemical Impedance Spectroscopy，1998.12Rodriguez M T，Gracenea J J，Garcia S J，et al.Testingof the Influence of the Plasticizers Addition on the Anticorrosive Properties of an Epoxy Primer by Means ofElectrochemical TechniquesJ.Progress in OrganicCoatings，2004（50）：123-131.13GARCIA S J，SUAY J.Application of ElectrochemicalTechniques to Study the Effect on the Anticorrosive Properties of the Addition of Ytterbium and Erbium Triflatesas Catalysts on a Powder Epoxy Network J.Progress inOrganic Coatings，2006（57）：273-281.14桂琪.有机涂层保护性的电化学加速评价 D.厦门：厦门大学，2018：10-11.15Zuo Y，Pang R，Li W，et al.The evaluation of coatingperformance by the variations of phase angles in middleand high frequency domains of EISJ.Corrosion Science，2008，50（12）：3322-3328.16庞然，左禹，唐聿明，等.环氧/聚氨酯涂层在4种环境中失效行为的EIS J.化工学报，2010（10）：2656-2661.11胡业林，代斌，宋晓.基于小波包和AFSA-SVM的电机故障诊断 J.电子测量技术，2021，44（02）：48-55.12张伟.基于卷积神经网络的轴承故障诊断算法研究D.哈尔滨：哈尔滨工业大学，2017：26-27.13张天瑞，李金洋.基于自适应VMD-KPCA特征提取与SSA-SVM 方法的滚动轴承故障诊断 J.机械设计，2022，39（07）：63-73.14马晨佩，李明辉，巩强令，等.基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断 J.科学技术与工程，2021，21（10）：4025-4029.15王永鼎，金子琦.基于融合CNN与PSO-SVM的滚动轴承故障诊断 J.机械强度，2021，43（04）：793-797.（上接第155页）233