初步铜蜗轮蜗杆的故障分类

       由故障特征提取的每个铜蜗轮故障样本数据类似于人工蚂蚁将要访问的地点，而每个人工蚂蚁根据样本数据的之间的信息素的大小及近邻函数，以一定的概率适当选择下一个地点的访问，同时加人自身的数据列表里。每只蚂蚁对全部数据样本均进行一次访问，构成一个有序连接路径，在每个数据列表里，每只蚂蚁的数据列表根据其样本之间的近邻函数值的大小打断近邻函数值较大的两个样本数据的连接，同时计算每一类故障之间的连接损失，形成初步铜蜗轮蜗杆的故障分类。如此循环类推，寻求样本数据之间的连接损失的最小解为终止条件，进而形成最终的铜蜗轮蜗杆故障分类结果。

       通过以上分析，本文算法首先通过故障样本数据建立加权欧氏空间，前期利用鱼群算法寻优特点，淘汰部分与加权距离指标所反映较大的故障样本数据，后期再利用蚁群算法，通过对的最优解求解，进而获得与映射关系相近的铜蜗轮蜗杆故障征兆，实现对铜蜗轮蜗杆的故障特征进行分类识别。FSA-ACO混合改进算法具体步骤如下:

       步骤1算法初始化，设定种群数、感知距离、初始状态位置、循环最大迭代次数、及拥挤度等参数;步骤2通过铜蜗轮蜗杆故障样本数据，建立加权欧氏距离矩阵A，并做近故障样本的邻矩阵M。其中为故障征兆样本数据中不同特征的加权因子，为样本Y对Yi的近邻函数值;步骤3构建近邻函数矩阵L，其元素为L。一Mii+Mii - 2。在每条“连接关系间”初始化信息素浓度，(0)二C,C为拥挤度。其目的是种群觅食的向导融合，促使鱼群算法正常过度到蚁群算法;步骤4种群数K(k=1,2,3,根据加权欧氏空间里被测数据加权距离指标的对应点，通过鱼群算法对该点的觅食行为、聚群行为，淘汰部分故障样本数据的搜索，其目的是简化后期求JNN的最优解，提高寻优的效率;步骤5种群数K(k=1,2,3，…,n(nhttp://www.zbdongxing.com/