机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化，导致准确性较差等问题，提出基于量子遗传算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合，再进行去混合。将峭度作为目标函数，利用量子遗传算法，对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化，实现机械故障盲源分离。基于故障信号处理，利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support VectorMachine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取，利用量子遗传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题，利用优化后的 LSSVM 分类模型实现机械故障稀疏特征相似模式分类。实验结果表明，该方法可以实现高效盲源分离，机械故障诊断准确率高，运行性能良好。