刘小峰 谭 奇 叶蓉婷

重庆大学机械与运载工程学院，重庆，400044

0 引言

在机械故障诊断领域，基于变量预测模型的模式识别(variable predictive model based class discriminate, VPMCD)方法利用特征值间的交互关系随系统工作状态的变化而变化的特性实现对故障状态的识别[1]。但在实际机械故障诊断中，从含噪测试信号中提取的特征参数间的交互关系往往异常复杂，传统VPMCD中的选择性单一模型往往难以准确描述特征参数间的交互关系，从而导致故障状态识别精度较低。针对该问题，杨宇等[2]使用量子遗传算法、LUO等[3]使用遗传算法、刘吉彪等[4]采用动态加速常数协同惯性权重的粒子群算法来优化VPMCD各模型的权值，将各传统预测模型加权融合为一个综合变量预测模型，进而提高特征参数的预测精度。柏林等[5]采用投票法对多次VPMCD识别结果进行融合，该方法在小样本多分类情况下取得了一定的效果。上述方法仅仅是采用传统的变量预测模型(VPM)进行线性叠加融合，融合出的模型仍然脱离不了传统的线性或二次交互模型的固定框架，导致仍然无法对异常复杂的特征交互关系进行准确拟合，而且需要引入复杂的网络学习训练来对多个模型的权值进行优化设置，未发挥出VPMCD在计算效率和无参数设置等方面的优势。

近年来，许多学者采用智能网络学习方法来逼近描述特征之间的复杂交互关系，对传统VPMCD中的简单拟合模型进行了改进或替换。宋坤骏[6]采用极限学习机来替换传统VPMCD中的4个模型。……