基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题，提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群，以提高种群空间分布均匀性，之后将自适应惯性权重融入麻雀算法的发现者位置更新，最后对更新位置后的最优麻雀进行随机游走扰动，提高算法的全局和局部搜索能力，避免算法陷入局部最优。将该算法用于支持向量机的参数优化，构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明，该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型，能够有效识别滚动轴承各故障类型。