马晨佩， 李明辉， 巩强令, 杨白月

(陕西科技大学机电工程学院， 西安 710021)

滚动轴承作为机械设备的重要组成部分，大多处于高速、高载等复杂工况下，也是最容易发生故障的零件之一。在实际生产中，滚动轴承的健康状态对机械设备的整体运行情况有较大的影响，因此，对滚动轴承的健康状态进行实时监测和故障诊断具有重要的意义[1]。近年来,随着人工智能的发展，人工神经网络(artificial neural network, ANN)[2]、聚类分析[3]和模糊理论等技术不断应用于故障诊断领域，并且取得了不错的效果。而实际生产中，故障样本的获取比较困难[4]，因此限制了上述方法的使用。基于统计学习理论的支持向量机(support vector machine, SVM)方法能很好地解决小样本下的模式识别问题，在故障诊断领域也得到相当广泛的使用，但SVM的分类效果很大程度上依赖于参数的选择。针对SVM参数优化问题，一些学者引入群体智能算法进行SVM的参数优化[5-6]。Huang等[7]采用遗传算法(genetic algorithm, GA)优化SVM参数，有效地提高了SVM的分类性能，但由于遗传算法的操作较为复杂从而导致寻优速度较慢。陈晋音等[8]提出用粒子群算法(particle swarm optimization, PSO)优化SVM参数，虽收敛速度得到提升却很容易陷入局部最优解；刘路等[9]用人工蜂群(artificial bee colony,ABC)算法来优化SVM,这种方法可以很好地克服局部最优解，但却无法利用全局最优信息迭代更新。研究表明，遗传、粒子群等算法在SVM参数优化中具有一定优势，但同时存在寻优速度慢、易陷入局部最优等缺陷。

麻雀搜索算法(sparrow search algorithm，SSA)是一种新颖的群体优化算法，它是受麻雀种群的觅食和反捕食行为启发，通过19个标准测试函数验证SSA算法在搜索精度，收敛速度，稳定性和避免局部最优值方面均优于现有算法[10]。……