MATLAB实战：人工大猩猩部队GTO优化共振稀疏分解RSSD超参数

0.引言

        共振稀疏分解是振动信号中脉冲成分提取的方法。与基于频率的信号处理方法不同，该方法同时参考频率和带宽两个因素，从而在分离信号不同成分的过程中能够很好处理信号不同成分的重叠问题 。然而共振稀疏分解的分解效果 受到品质因子 Q 、 权重系数 A 以及拉格朗日乘子mu的主观选择影响。

        

        针对共振稀疏分解RSSD在振动信号分解过程中，分解效果受到多参数随机选择影响的缺陷，提出基于人工大猩猩部队优化算法的共振稀疏分解超参数优化算法，运用 最小化相关峭度指标 来作为适应度函数。

1.原理

1.1 共振稀疏分解

        共振稀疏分解是最新提出的信号处理方法，不同于传统的基于频率或尺寸的 信号处理方法，该方法在实现振动信号特征提取的过程中同时考虑信号的频率和 带宽两因素，依据品质因子的不同，将振动信号的组成成分理解为周期谐波、故 障冲击以及噪声三部分并分别分离到高低共振分量以及残余分量中。详细原理可以参看4中参考文献中的文献内容，这里只做简单叙述。

1.2 人工大猩猩部队优化算法

        GTO是2021年新推出的智能优化算法，选择这个算法的目的就是比较新，目前用的人相对较少，详细原理戳这里。

1.3 适应度函数

        文献中是最大化适应度函数K，我们是最小化1/K，效果是一样的。

2.实战

2.1 数据

        采用的是轴承数据，时域图如下：

 2.2 共振稀疏分解

        这里的RSSD是直接设置参数，结果如下：

 

2.3 GTO优化共振稀疏分解超参数

        由于我们是最小化适应度函数，所以适应度曲线是一条下降的曲线，如图

优化后的最优Q1 Q2 A1 A2 mu为：Q1 =    20；Q2 =    1.1104；A1 =    0.0274；A2 =    0.1262；
mu =    0.0081；

利用该参数重新建立rssd并进行分解

 3 参考文献

 代码见我评论区

1.改进的共振稀疏分解方法及在机械故障诊断中的应用

2.基于粒子群优化的共振稀疏分解在轴承故障诊断中的应用

3.基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究