陈 强, 陈中元, 傅 煜

(江西理工大学 电气工程与自动化学院,江西 赣州 341000)

0 引 言

现代机械设备的结构越来越复杂。而电机在当今的工业生产中占有着重要地位。它由多种不同构件组成，其中轴承是其不可或缺的核心构件之一。在正常运行过程中,轴承难免因机械磨损等一系列问题而造成故障，因此对其运行状态进行监测是非常重要的。设备运行中会产生大量振动信号，通过检测这些信号,可以找到故障的关键信息[1]。振动信号具有非线性以及非平稳性等特点，在分析振动信号的方法中,常使用小波包分析。李国宾等人使用小波包奇异值分解提取柴油机的振动信号[2]；徐建源等人使用小波包能量熵提取高压真空断路器机械振动信号特征[3]。近些年，在故障识别领域的研究中,较常见使用支持向量机(support vector machine,SVM)。郑近德等人使用精细复合多尺度熵结合支持向量机的轴承诊断方法[4]；Liu X等人将二叉树技术运用到SVM中,实现了基于二叉树SVM的轴承故障诊断[5]。相比于SVM中的核函数被Mercer条件约束,相关向量机(relevance vector machine,RVM)作为新型的稀疏概率模型约束较少，因此RVM在故障诊断领域中逐渐兴起[6,7]。

本文提出基于混沌蝙蝠算法(chaos-bat algorithm,CBA)改进的RVM,在传统的RVM算法中,其核参数的选择均为人工自行设定。在确定参数时需要多次重复试验。不仅费时耗力,而且也无法确定当前参数是否为最优参数。本文针对这一问题提出引入CBA进行自适应寻优,找寻最优参数。通过最优参数,提升RVM在故障诊断中的性能。……