朱建府 李 亚

（昆明理工大学信息工程与自动化学院）

轴承的运行状态与机械设备的工作效率息息相关［1］。旋转机械故障中的30%～40%是由轴承的不良运行状态引发的［2］，由于滚动轴承的运行环境复杂，在运行过程中受负载、冲击等其他非线性条件的干扰，其振动信号通常表现为非平稳和非线性特性［3］，所以发生故障的概率也较高。 为此，笔者采用变分模态分解（VMD）［4］对采集到的原始振动信号进行分解并提取有效的分量作为信号特征向量。 采用极限学习机（ELM）作为故障诊断模型对轴承状态实施分类识别时， 由于ELM 输入权值参数与隐含层阈值参数的选择具有随机性，因此会对模型的诊断效果产生比较大的影响，故欲采用蚁狮优化算法 （Ant Lion Optimizer，ALO）对ELM 的随机参数进行优化处理， 从而有效提升ELM 的泛化能力和识别准确度， 进而构建良好的分类模型， 但ALO 算法易陷入局部最优且收敛速度慢， 因此采用柯西高斯变异进行改进。随后，将选取到的有效特征向量导入已构建好的分类模型中学习训练，得到训练好的极限学习机诊断模型IALO-ELM， 使用已训练好的分类模型对滚动轴承的工况进行识别诊断。

1 基本理论介绍

1.1 标准蚁狮优化算法

蚁狮是一种以捕食蚂蚁为生的肉食性昆虫，在捕食之前， 蚁狮会修建一个锥形的捕猎陷阱，随后藏在陷阱底部等待猎物，当随机游走的猎物落入陷阱后，为防止猎物逃跑，蚁狮会立刻向周围刨土，使猎物滑向阱底，进而将其捕食，随后蚁狮会重新修建陷阱准备下一次捕猎。……