1.一种蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，该方法包括以下步骤：

步骤1：采集机械故障振动信号构成核极限学习机故障识别模型的训练数据样本集S，并将训练集S划分为数据集S1和数据集S2；

步骤2：初始化人工蜂群优化算法(ABC)中的蜂群个体总数P和最大优化循环迭代次数M，并对蜂群的每个个体随机生成初始蜜源，包括核参数a和正则化系数C；

步骤3：利用人工蜂群优化算法(ABC)优化核极限学习机故障识别模型的核参数a和正则化系数C，获得核极限学习机故障识别模型的最佳参数组；

步骤4：利用优化得到的核极限学习机故障识别模型的最佳参数组和训练样本集S训练获得最佳核极限学习机故障识别模型，即训练好的蜂群优化核极限学习机故障识别模型；

步骤5：针对输入振动信号y，利用步骤4训练好的蜂群优化核极限学习机故障识别模型对振动信号y进行故障识别，同时预设预测阈值η，蜂群优化核极限学习机故障识别模型的输出为OKELM＝[c1,c2,…,cm]，其中m表示故障的类别数，ci表示第i类机械故障的预测输出值，i∈1,2,…,m；假设输出OKELM的最大预测值是cf,f∈1,2,…,m，即cf≥ci,i≠f且i∈1,

2,…,m，排除cf外，输出OKELM的次最大预测值是cs,s≠f且s∈1,2,…,m，即cf≥cs≥ci,i≠f≠s且i∈1,2,…,m；若蜂群优化核极限学习机识别模型的故障识别输出预测的最大预测值cf与次最大预测值cs的差的大于或等于预设阈值η，即cf‑cs≥η，则接受蜂群优化核极限学习机故障识别模型的识别结果，转至步骤7；若蜂群优化核极限学习机识别模型的故障识别输出预测的最大预测值cf与次最大预测值cs的差的小于预设阈值η，即cf‑cs＜η，则拒绝蜂群优化核极限学习机故障识别模型的识别结果，转至步骤6；

步骤6：利用训练数据集S构建稀疏表示学习字典，并通过稀疏表示字典对输入振动信号y进行重构，根据对输入振动信号y的重构误差最小原则判断振动信号y属于哪一类故障；

步骤7：输出故障识别结果。

2.根据权利要求1所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤1具体为：通过加速度传感器大量采集机械故障振动信号，构成带标签的训n m T

练数据样本集S＝{(xi,ti)|xi∈R ,ti∈R ,i＝1,2,…,N}，其中xi＝[xi1 xi2 … xin] ，n表示信号xi的维度，ti＝[ti1,ti2,…,tim]表示样本xi的故障标签，m表示故障类别数，N表示样本总数，为核极限学习机故障识别模型训练和稀疏表示字典的构建提供大量的故障数据，同n m

时将训练集S划分为数据集S1＝{(xi,ti)|xi∈R ,ti∈R ,i＝1,2,…,N1}和数据集S2＝{(xi,n m

ti)|xi∈R ,ti∈R ,i＝1,2,…,N2}，其中,N1表示数据集S1的样本数，N2表示数据集S2的样本数，且N1+N2＝N。

3.根据权利要求2所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤2首先在一定范围内初始化大量随机参数组合，通过数据集S1分别基于每组不同的参数组训练相应的核极限学习故障识别模型，并利用数据集S2计算每个不同参数组下的核极限学习识别模型的自适应值fit，通过人工蜂群优化算法(ABC)不断优化迭代，最终获得最佳模型参数，其中，自适应值fit的计算表达式为：其中，yt表示利用核极限学习机故障识别模型对数据集S2的样本正确识别数量；yf表示利用核极限学习机故障识别模型对数据集S2的样本错误识别的数量。

4.根据权利要求3所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤3在蜂群迭代搜索过程中，如果当前模型参数值的自适应值小于最优模型参数组的自适应值时，则更新当前参数值，否则将当前模型参数值替换最优模型参数，参数更新的公式如下：

xij′＝xij+φij(xij‑xkj)其中xij表示蜂群个体xi的第j个参数；x′ij表示更新后的参数值；φij∈[‑1,1]；k≠i,i∈1,2,…,P，P表示蜂群个体总数；j∈{1,2,…,D}，D表示问题的维数，即参数个数；通过不断的循环迭代，直至达到最大迭代次数，并返回核极限学习识别模型的最佳参数组；若未达到最大迭代次数，则返回步骤2。

5.根据权利要求4所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤4利用优化得到的核极限学习机最佳参数，包括核参数a和正则化系数C，训练核极限学习机故障识别模型，计算公式如下：T

其中I为单位矩阵；标签T＝[t1,t2,…,tN] ，N表示输入的训练样本数量；对于多故障识m

别问题，ti∈R ，1≤i≤N，m表示故障类别数；ΩELM表示核矩阵；其中核矩阵ΩELM计算公式如下：

K(xi,xj)表示核函数，K(xi,xj)核函数公式如下：其中，a表示核参数，xi表示训练集S中的第i个样本，即xi∈S；xj表示训练集S中的第j个样本，即xj∈S。

6.根据权利要求5所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤5针对输入机械振动信号y利用蜂群优化核极限学习机故障识别模型计算预测输出，计算公式如下：

其中，蜂群优化核极限学习机故障识别输出f(y)＝OKELM＝[c1,c2,…,cm]，ci表示第i类T

故障的预测值，i＝1,2,…,m；[·]表示矩阵转置；K(x,xi)表示核函数；xi表示训练集S中的第i个样本，N表示样本数。

7.根据权利要求6所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述步骤6首先求解样本y在整个字典D的稀疏表示系数计算待求解的稀疏表示系数其计算公式如下：

其中，τ表示稀疏表示正则化系数，其中，稀疏表示正则化系数τ不等同于核极限学习机正则化系数C，即C≠τ；||·||j为矩阵的j范数；D为稀疏表示字典，D＝{D1,D2,…,Dm}，m表示故障类别数，ki表示在训练集S中属于第i类故障的样本个数，i＝1,2,…,n n

m，n表示训练集S中的每个样本信号xj的维度，xj∈R 且xj∈S；并选择振动信号y,y∈R的重构误差ri(y)最小的一类，计算公式如下：其中，i表示第i类故障，i∈1,2,…,m；m表示故障类别数； 表示特征映射函数，主要作用是使向量 中对应字典D的非第i类故障样本的向量值为0，使向量 中对应字典D的第i类故障样本的向量值为1，即 表示仅字典D中所有第i类故障样本的线性组合。

8.根据权利要求1‑7任意一项所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述初始化蜂群个体总数P＝100和最大优化循环迭代次数M＝70，参数范围C∈(0,200]，a∈(0，50]。

9.根据权利要求8所述的蜂群优化核极限学习和稀疏表示机械故障识别方法，其特征在于，所述预设预测阈值η＝0.5。