关键词:
减法平均优化器
柯西变异策略
莱维飞行策略
轴承故障诊断
Logistic映射
摘要:
为提高滚动轴承的故障诊断的分类精度,提出一种逻辑斯蒂柯西莱维减法平均优化(Logistic-Cauchy-Levy-subtraction average-based optimization,LCLSABO)算法,该算法融合了混沌(Logistic)映射策略、柯西(Cauchy)变异策略和莱维(Levy)飞行策略,用以优化核极限学习机(kernel extreme learning machine,KELM)的性能。首先,利用混沌映射策略优化减法平均优化算法的种群初始化,增强种群多样性;其次,结合柯西变异策略与莱维飞行策略,改进位移算法,提高全局搜索能力,有效避免陷入局部最优解;最后,采用LCLSABO算法优化KELM的核心参数,建立LCLSABO-KELM模型,对轴承故障进行分类与诊断。试验结果表明,与SABO-KELM模型、SSA-KELM模型、PSO-KELM模型及传统KELM模型相比,LCLSABO-KELM模型的故障诊断分类精度为98.63%,分别提升了0.97%、2.70%、3.90%和11.30%。这表明,该方法能够充分提取故障特征,显著提高故障诊断的分类精度,验证了该模型在滚动轴承故障诊断与分类中的优越性能。