基于蚁群SVDD和聚类方法的旋转机械故障诊断

作     者：杜文辽 李安生 孙旺 李彦明 刘成良 

作者机构：上海交通大学机械系统与振动国家重点实验室上海200240 郑州轻工业学院机电工程学院郑州450002 

出 版 物：《上海交通大学学报》 (Journal of Shanghai Jiaotong University)

年 卷 期：2012年第46卷第9期

页      面：1440-1444页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61175038) 上海市科技创新行动计划资助项目(11dz1121500 11JC1405800) 机械系统与振动国家重点实验室项目资助(MSVMS201103 MSV-2012-06) 

主　　题：蚁群支持向量数据描述 K均值聚类 Davies Bouldin指数 旋转机械 故障诊断 

摘      要：针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述(SVDD)新异类检测与基于Davies Bouldin指数(DBI)的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%.