常梦容 王海瑞 肖 杨 王椿晶 蒋朝云

（昆明理工大学信息工程与自动化学院）

滚动轴承作为一种十分重要的零部件，广泛应用于机械设备内部。 当今，滚动轴承的重要性越来越高，其工作精度和可靠度对设备的整体运行状态都有着关键性影响，同时对轴承故障诊断系统精度的要求越来越高。

支持向量机（SVM）参数的选择对整个诊断模型有至关重要的作用， 其惩罚因子C和核函数参数g的选择影响着SVM的诊断精度和泛化能力，好的核函数参数选择可以提高SVM分类的性能。对SVM核函数参数的选择， 前人做了许多研究，常 见 的 有 模 糊 聚 类［1］、网 格 搜 索 法［2］等 典 型 算 法以及蚁群算法［3］、鱼群算法［4］等智能算法。

在故障诊断中，故障诊断技术得到了广泛的研究与发展。 诊断方法主要有以下3类：基于解析模型的方法，如参数估计方法、状态估计方法及等价空间方法等；基于信号处理的方法，如EMD、傅里叶分析及小波分析等；基于知识推理的诊断方法，如模式识别、深度置信网络推理［5］等。 基于知识推理的诊断方法具备智能化方法和专家知识，可以提供一个可靠并且实用的系统。 然而，参数选择限制着这项技术的发展。 因此，笔者采用改进萤火虫算法（IFA）选取合适的SVM的惩罚因子C和核函数参数g， 构建IFA-SVM模型对滚动轴承故障进行诊断。

1 支持向量机

SVM作为一种强大的分类器，不仅可以作为二分类诊断模型，而且可以解决多分类问题。 它的目的是在特征空间中寻找到具有……