1.一种改进鸡群优化RBF神经网络的设备健康状态检测方法，其特征在于，其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；

2)降噪处理：采用小波变换技术，选取小波基函数为db9，分解层数为5层，对每层高频小波系数做阈值量化处理，阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差；根据式(1)计算阈值sigma：其中：th为标准偏差；

N为整个信号长度；

之后通过阈值函数选择硬阈值处理方法；

3)特征选择：选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取；四种时域特征公式为：均值μx的计算公式：

其中μx为均值，xi为输入的数据，n为样本数量；

峰值xp的计算公式：xp＝max|xi|

其中xi为输入的数据，xp为峰值；

幅值平方和xc的计算公式：

其中xi为输入的数据，xc为幅值平方和，n为样本数量；

标准差ω的计算公式：

其中μx为均值，xi为输入的数据，ω为标准差，n为样本数量；

4)数据归一化处理：将时域特征向量通过归一化处理得到最终的数据作为模型的输入，利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据，所用的公式为式(2)：其中：Xt是归一化后的结果；

X是原始数据；

e是样本最小值；

E是样本最大值；

5)设备健康状态检测：

5.1)根据混沌搜索求最初种群：对于D维空间的n粒子，首先随机产生数值在[0,1]之间的向量X'i＝(X'1,1,X'1,2,...X'1,D)，根据公式(3)计算得到混沌向量X1,X2,...Xm；

Xn+1‑μXn(1‑Xn)  n‑0，1，...；X0∈(0，1)                           (3)其中：μ为控制参数；

将这些向量按照公式(4)映射到原取值空间，其中M、N为区间的上界和下界；

Xi′,d＝0.5·((M‑N)·Xi,d+M+N) d＝(1,D)              (4)其中：Xi,d为第i个种群个体的第d维码值；

计算目标函数初始变量的适应度，对适应度进行排序，选取适应度好的前n个初始变量赋值给初始种群；

5.2)改进鸡群：利用迭代k次的部分适应度高的小鸡粒子，继承公鸡特性并同时自我学习，最终得到小鸡粒子来代替与成长后小鸡粒子数量相同的部分公鸡粒子；对适应度低的小鸡粒子，让其与适应度高的小鸡粒子学习，同时向未知位置探索；改进后达到k次迭代时公鸡的位置更新公式为式(5)：xf+1,j(t+1)＝α·xf,j(t)+(1+ω·rand)·xi,j(t)                  (5)α表示继承公鸡特性权重，ω为成长系数；

把小鸡按照适应度大小为4:1的数量分为两类，第一部分高适应度小鸡粒子正常迭代，剩余的适应度低的小鸡粒子位置按照公式(6)进行更新：xi，j(t+1)＝xi，j(t)+F·(xm，j(t)‑xi，j(t))+H·(xi，j(t)‑xi，j(t))        (6)其中：xl,j(t)为第一部分高适应度的小鸡粒子；

H为跟随系数，表示小鸡跟随适应度高的小鸡觅食；

5.3)用改进后鸡群来寻找RBF神经网络的中心向量和节点宽度，使中心向量和节点宽度映射为公鸡粒子的位置，求得最终RBF神经网络的中心向量和节点宽度，构成改进鸡群的RBF神经网络模型用于设备健康状态检测；

所述的步骤5.3)中，建立改进鸡群的RBF神经网络模型其步骤如下：

5.3.1)设置迭代次数、种群规模、同类型鸡的占比比例、最大迭代次数和常数G；

5.3.2)根据混沌搜索求得初始种群；

5.3.3)步骤5.3.2)中得到的初始种群带入鸡群，得到个体当前最好的位置temp_x和鸡群全局最好位置best_x，迭代次数t＝1；

5.3.4)如果t％G＝1,按照适应度fitness进行排序，将整个鸡群分为若干子群，重新建立新的鸡群等级制度；

5.3.5)更新公鸡母鸡和小鸡的位置并分别计算每个个体的适应度值；

5.3.6)如果t％G＝2，则按照公式(5)、公式(6)分别更新进行成长操作后的公鸡粒子与小鸡粒子；

5.3.7)更新鸡群的个体当前最优位置信息及鸡群全局最优位置信息；

5.3.8)将迭代次数t置成t+1，若符合终止条件则停止迭代并输出全局最优解，否则转到步骤(5.3.4)；

5.3.9)最后得到寻优结果带入RBF神经网络进行训练。