1.一种改进烟花算法的风机轴承故障智能诊断方法，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的风机轴承数据；

2)降噪处理；采用最大峭度解卷积技术，通过提取周期性故障信号中的冲击成分，以相关峭度为特征参数，通过反卷积使得降噪处理后故障信号的相关峭度最大，进而突出信号中被噪声淹没的连续脉冲序列，显示轴承故障信息；

3)特征选择：选取均值μx、峰值xp、幅值平方和xc、标准差θ，这四种时域特征参数做特征提取；

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，利用最大相关峭度解卷积降噪得到的数据，经过特征选取得到特征向量转化为[0,1]区间范围的数据；

5)风机故障智能诊断：

5.1)改进烟花算法：

5.1.1)烟花分析：首先根据定义的爆炸半径Ri和爆炸烟花个数Si通过爆炸操作产生爆炸烟花，然后在此刻烟花种群中随机抽离出一朵烟花xi，并对抽离出的烟花xi执行d维度高斯变异行为，最后在两种烟花分别产生爆炸和变异操作后，当烟花xi在d维度上超出可行域φ的范围时，定义映射规则将这朵烟花映射到新的位置上面去；

5.1.2)选择策略：

产生爆炸和变异烟花后执行选择策略，使得种群中优秀信息能够遗传到下一代烟花中，从烟花、爆炸烟花和变异烟花的候选者集合γ中间选择一部分个体作为下一代的烟花种群，种群大小为Z；适应度最小的那朵烟花个体直接被选做下一代烟花，剩下的下一代烟花个体用轮盘赌算法从Z‑1个当前个体中进行选择；在候选烟花集合中，若一朵烟花围绕着许多其他候选烟花个体时，这朵烟花被选择概率会下降，即烟花个体密度越大，则用轮盘赌算法被选出概率就越小；

当前烟花个体xi被选中的概率p(xi)为：

其中，R(xi)为当前烟花个体xi到候选烟花集合Z‑1中所有烟花个体之间距离之和；

xs表示第s个烟花；

首先对爆炸半径作出限制，在维度k的烟花爆炸半径 R ik限制如下：其中，Rmin,k是k维上烟花爆炸半径的最小值，t为当前迭代次数，tmax为最大迭代次数，Rfirst是初始烟花爆炸半径，Rlast是最终烟花爆炸半径；

其次，改变烟花算法变异算子的变异规则

xi′k＝xik+(xBk‑xik)×g                                       (15)其中g为改进的高斯概率密度函数，o为阶段分布系数，N为设定的分布系数个数，在本文系统中设置为2，σi为第i个分布的比例系数，两个系数分别设置为0.7和0.3，τi为第i个分布的均值， 为第i个分布的标准差；

最后，修改映射规则：

xik＝xl,k+U(0,1)·(xu,k‑xl,k)                                     (17)其中U(0,1)是一个随机数，取值为0到1且均匀分布，xu,k，xl,k分别是维度k上的上、下边界；

5.2)改进烟花算法优化BP神经网络模型；

5.2.1)设置迭代次数、种群规模Z初始值；

5.2.2)在求解空间随机初始化Z个烟花xi；

5.2.3)设i＝1，最大迭代次数为T，评估当前这朵烟花xi的适应度值f(xi)，计算爆炸半径Ri和爆炸烟花个数Si；

5.2.4)生成爆炸烟花；

5.2.5)生成变异烟花；

5.2.6)对新生成越界的爆炸烟花和变异烟花执行映射规则；

5.2.7)在烟花xi，爆炸以及变异烟花中选择下一代烟花，执行i＝i+1；

5.2.8)重复5.2.2)至5.2.6)步骤，若是i＝T，输出优化结果；

5.2.9)在第5.2.8)步骤得到的优化结果，即为提出模型的权值和阈值；

5.2.10)输入训练集的特征向量；

5.2.11)按照下列公式进行正向传播；输入信号为xi，ω为权值，在输入层下一层的第j个神经元加权后净输入值为：g(x)为隐含层激活函数，则隐含层输出为：

神经网络预测输出为：

其中，b为神经网络的阈值；计算预测与实际输出之间的误差v；

5.2.12)按照下列公式进行反向传播，

学习率为η，更新阈值a，b：

bk＝bk+vk,k＝1,2,…,n   (22)更新权重ω：

ωjk＝ωjk+ηHjvk,j＝1,2,…,n，k＝1,2,…,n   (24)计算误差，更新权值和阈值；

5.2.13)反复执行5.2.11)至5.2.12)步骤，若误差达到目标值，停止训练，改进烟花算法的风机轴承故障智能诊断模型将风机轴承故障类型分类。