CN110084316A - 一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量机的故障诊断方法 - Google Patents

Abstract

本发明公开了故障诊断技术领域的一种基于精细时移多尺度排列熵与支持向量机的故障诊断方法，本发明的步骤为：采集待诊断物体的原始故障振动信号；提取原始故障振动信号的精细时移多尺度排列熵值；将故障样本分为多个训练样本和测试样本；采用多个训练样本对基于萤火虫优化的支持向量机多故障分类器进行训练；采用已训练完成的多故障分类器(萤火虫算法优化的支持向量机)对测试样本进行分类；根据分类结果识别故障物体的工作状态和故障类型。本发明提出的故障诊断方法在特征提取的过程中有较高的创新性，在故障识别过程中具有较高的识别度。

Description

一种基于精细时移多尺度排列熵与萤火虫算法优化支持向量 机的故障诊断方法

技术领域

本发明涉及故障诊断技术领域，特别涉及到一种基于精细时移多尺度排列熵(RTSMPE)与萤火虫算法优化的支持向量机(FO-SVM)的滚动轴承故障诊断方法。

背景技术

设备故障诊断技术一直都是故障诊断与维护领域的研究重点，由于复杂的机械系统在运转过程中往往表现为非线性行为，振动信号往往呈现非线性和非平稳特性。传统的线性分析方法很难提取出隐藏在振动信号中的障特征信息。因此，非线性分析方法成为故障诊断技术领域相关学者和技术人员不断探索的热点。近年来，近似熵，样本熵，模糊熵，散布熵，排列熵等已经被广泛地应用到机械故障诊断领域，并取得了非常良好的故障诊断效果。

排列熵是最近提出的一种用于检测时间序列随机性和混乱性的方法，但排列熵局限于时间序列单一尺度下的分析，其他尺度上隐藏的丰富信息被忽略。在此种情况下，多尺度排列熵(MPE)应运而生，多尺度排列熵被定义为不同尺度下的排列熵，能够衡量时间序列在不同尺度下的复杂性。但是，多尺度排列熵计算过程中存在不成熟的粗粒化过程，粗粒化过程中，随着尺度因子的增大，粗粒化得到的时间序列的长度会不断减少，进而造成得到的排列熵值的偏差不断增大，最终导致诊断结果的稳定性和精确性降低。

发明内容

解决的技术问题

针对现有多尺度排列熵方法的不足，本发明提供了一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的滚动轴承故障诊断方法。

首先，能够克服多尺度排列熵中排列熵值随着尺度因子的增大而偏差较大的问题；其次，能够采用智能分类的方法，对故障信息的类型和程度进行判断，避免了人工分类的繁琐和计算耗时等问题。

本发明所提方法，在特征提取过程中能够更好地提取故障振动信号的非线性故障特征，同时，能够在故障识别过程中也具有较高的故障识别度。

技术方案

本发明通过以下技术方案予以实现：

为了有效解决上述问题，对本发明提供的技术方案进行详细说明。

一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的的滚动轴承故障诊断方法，其步骤为：

步骤1-1：采集待诊断物体的原始故障振动信号；

步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；

步骤1-3：将故障特征样本分为多个训练样本和测试样本；

步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；

步骤1-5：采用已训练完成的多故障特征分类器(萤火虫算法优化的支持向量机)对测试样本进行分类；

步骤1-6：根据分类结果识别物体的工作状态和故障类型。

进一步地，步骤1-2中所测取原始故障信息的精细时移多尺度排列熵值的过程包括：

步骤2-1：对获取的原始故障振动信号进行时移粗粒化；

步骤2-2：计算同一尺度因子τ下生成的τ个符号序列的概率；

步骤2-3：对同一尺度下的所有符号概率求平均，通过信息熵的定义得到原始故障振动信号的精细时移多尺度排列熵值；

步骤2-4:对所有的尺度因子重复步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。

进一步地，步骤1-5中所述萤火虫算法优化的支持向量机用于对故障特征样本中各样本的工作状态和故障类型进行分类，并分别根据已经训练完成的多故障特征分类器中的每单一萤火虫算法优化的支持向量机的输出O(y)是否是+1进行判断；具体判断步骤包括：

步骤3-1：若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；

步骤3-2：若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。

进一步地，步骤2-1中所述时移粗粒化过程包括：

步骤4-1：对于给定的尺度因子τ和时间序列X＝{x₁,x₂,...x_N}，经过时移的处理，可以得到新的时间序列：

其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数，i表示时间序列y的第i个点；Δ_(k，β)＝(N-β)/k，是四舍五入的整数并表示上边界个数；

步骤4-2：尺度因子为τ，对得到的y_k,β中的每个序列依次进行粗粒化，其表达式为如下：

其中，j表示时间序列Z的第j个点。

进一步地，步骤2-2中所述时移粗粒化序列的排列熵值计算过程包括：

步骤5-1：假设对于给定原始时间数据长度为N的时移粗粒化序列Z：Z₁,Z₂,...Z_N，对其进行相空间重构，得到嵌入维度矩阵，其矩阵表达式包括：

其中，m为嵌入维度，t代表延迟时间，K＝N-m+1，K代表矩阵的行数，且每一行定为一模式向量Z(r)，故K也代表模式向量的个数；

步骤5-2：将每一个模式向量Z(r)的m个数据按照升序重新排列，即

z(r)＝{z(i+(j₁-1)t)≤z(i+(j₂-1)t)≤…≤z(i+(j_m-1)t)}

如果存在z(i+(j₁-1)t)＝z(i+(j₂-1)t)，按j值的大小来进行排序，即当j_k1＜j_k2，有z(i+(j₁-1)t)≤z(i+(j₂-1)t),所以任何一个模式向量Z(r)都可以得到一组符号序列：

S(g)＝{j₁,j₂,…,j_m}

其中，g＝1,2,…,k,K≤m！，m个不同的符号{j₁,j₂,…,j_m}共有m！种不同的排列，对应地，共有m！种不同的符号排列，s(g)是m！种符号序列中一种；

步骤5-3：计算每一种符号序列出现的概率P(g＝1,2,…,k),此时，时间序列Z的排列熵按照香农熵的形式定义为：

当P_g＝1/m！时，H_p(m)达到最大值ln(m！)，因此，通过ln(m！)将排列熵H_p(m)进行标准化处理，即H_p＝H_p(m)/ln(m！)。

进一步地，所述萤火虫算法优化支持向量机步骤包括：

步骤6-1：初始化萤火虫基本参数；

步骤6-2：初始化支持向量机的参数，将萤火虫的初始位置坐标分别赋值给惩罚因子C和核函数参数g；

步骤6-3：利用支持向量机的初始化参数对群体中所有萤火虫进行分类训练，并初始化每个萤火虫的适应度值；

步骤6-4：更新萤火虫个体的荧光素值，每个萤火虫个体在其动态及决策半径内选择亮度比自己高的个体，组成领域集；

步骤6-5：计算萤火虫i移向邻域集内萤火虫j的概率，朝概率值最大的方向更新位置，若更新后值超过各个参数的取值范围则方向取反；

步骤6-6：更新动态决策半径，若满足停止条件，则停止搜索，返回最优的萤火虫位置，将最优位置的坐标分别赋值给惩罚因子C和核函数参数g，输出最终的分类模型；否则，返回步骤6-4继续执行；

步骤6-7：将测试样本输入到最优的萤火虫算法优化支持向量机的模型，输出物体故障类型和程度(识别率)。

有益效果

采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：

本发明的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法。本发明创新性地从故障物体振动信号中提取精细时移多尺度排列熵。精细时移多尺度排列熵是一种衡量时间序列非线性动力学行为和随机性突变的有效分析方法，能够有效地提取蕴藏在振动信号的更丰富、更全面的深层故障特征信息，在特征提取的过程中有较高的创新性。另外，基于精细时移多尺度排列熵的特征提取方法与基于萤火虫算法优化的支持向量机相结合，在故障识别过程中能够得到较高的故障识别率。

(1)本发明所提的精细时移多尺度排列熵，主要利用了“精细+时移多尺度”的思想，克服了传统多尺度排列熵中粗粒化时间序列的缺陷。时移多尺度化的过程，使得到的时移粗粒化序列对数据长度N的依赖性大大降低(几乎不受影响)，精细化主要是针对得到的多个符号序列的概率进行平均计算，使最终计算的熵值结果更加精确。

(2)本发明所提萤火虫算法优化的支持向量机是一种智能算法，能够较大程度地解决人工操作的繁琐和耗时问题，并且能够得到更高的识别率。

(3)本发明将基于精细时移多尺度排列熵的特征提取算法与基于萤火虫算法优化的支持向量机的故障识别算法相结合，系统性地提出了一种新的故障诊断方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法的流程图；

图2为本发明从振动信号中提取精细时移多尺度排列熵的流程图；

图3为本发明中萤火虫算法优化支持向量机的工作原理流程图；

图4为美国西储大学滚动轴承故障数据的时域波形图；

图5为滚动轴承10种状态的振动信号的精细时移多尺度排列熵均值标准差曲线图；

图6为基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的滚动轴承故障方法识别率；

图7为基于多尺度排列熵与萤火虫算法优化的支持向量机的滚动轴承故障方法识别率。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合实施例对本发明作进一步的描述。

实施例1，参见图1，本实施例基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法包括如下步骤：

步骤1-1：采集待诊断物体的原始故障振动信号；

步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；

步骤1-3：将故障特征样本分为多个训练样本和测试样本；

步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；

步骤1-5：采用已训练完成的多故障特征分类器(萤火虫算法优化的支持向量机)对测试样本进行分类；

步骤1-6：根据分类结果识别物体的工作状态和故障类型。

本实施例提出的基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，在特征提取中有较高的创新性，在故障识别过程中具有较高的识别率。

由于多尺度排列熵在进行多尺度粗粒化过程中，对于不同尺度因子下的粗粒化序列，只采用了与起始点有关的序列，而忽略了该尺度因子下的其他序列。在不同的尺度因子下，由于粗粒化序列长度变短对熵值影响较大，其计算熵值存在必然的误差。

鉴于以上原因，为了克服多尺度排列熵值随着尺度因子增大而偏差较大的问题，本实施例创新性地应用所提出的精细时移多尺度排列熵作为原始故障振动信号的特征值，有效地抑制传统的粗粒化过程中时间序列变短对熵值曲线的影响，以振动信号X为例，若假设f_s和T₀分别为振动信号的采样频率和采样时长，令N＝f_s×T₀，则振动信号可以写成时间序列的形式X＝{x₁,x₂,,,x_k,,,x_N}，N是时间序列的长度，采用如下的步骤对其进行精细时移化。

步骤2-1：提取原始故障振动信号的精细时移多尺度排列熵值。对于不同的尺度因子τ，得到个τ粗粒化序列。对给定的原始序列X＝{x₁,x₂,,,x_k,,,x_N}，按照如下定义

y_k,β＝(x_k,x_β+k,x_2β+k,...,x_Δ(β,k)β+k)

其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数。Δ_(k，β)＝(N-β)/k，是个四舍五入的整数，表示上边界个数。

步骤2-2:当尺度因子为τ时，计算同一尺度因子τ下生成的τ个符号序列的概率。尺度因子为τ时，计算τ个粗粒化序列的时移排列熵值，由于每个精细时移粗粒化序列的起点不同，计算得到的符号概率必然也会有些误差；

步骤2-3：基于上述误差，对同一尺度下的所有符号概率求平均，通过信息熵的定义得到所述原始故障振动信号的精细时移多尺度排列熵值；

在此，对精细时移化中的精细做以下简单说明：

(1)精细计算是在基于多尺度时移粗粒化基础上的计算；

(2)精细计算主要是对于排列熵中m！种不同符号序列中，每种符号序列的出现的概率进行计算，例如τ＝3时，从原始信号中将产生3段序列，3段序列根据排列熵理论中间过程将产生3个符号概率P，求得其平均概率作为τ＝3时的概率，即是精细计算。

步骤2-4：对所有的尺度因子，重复权利要求2中的步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。

值得说明的是，振动信号不仅在单一尺度上包含故障信息，其他尺度上也包含与故障相关的信息，因此对故障信号进行多尺度分析是能够有效的提取故障特征的方法，由于正常滚动轴承的振动信号是随机振动，当滚动轴承发生故障时，振动信号的随机性和动力学行为会发生改变，不仅如此，由于不同故障信号往往具有不同的故障特征频率和故障特征，故障的位置和类型不同，对应的故障特征频率也不同，振动信号的随机性变化的频段和尺度也不同。精细时移多尺度排列熵是一种衡量时间序列非线性动力学行为和随机突变的有效分析方法，能够有效提取蕴含在振动信号中的更丰富，更全面的深层故障特征信息。因此，精细时移多尺度排列熵非常适合处理滚动轴承故障信号。

为了说明精细时移多尺度排列熵的优越性，本实施例以滚动轴承作为故障物体说明方法的有效性，并对不同工况的滚动轴承故障信号进行分析。

实验验证采用美国西储大学测试轴承数据，试验轴承为6205-2RS深沟球轴承，使用电火花加工技术在轴承上布置了单点故障。实验中轴承外圈固定，内圈随主轴同步转动，主轴转速1730r/min，负载2205W，采样频率12KHZ。试验测试了10种不同状态工况下的滚动轴承，其分别是：(a)故障直径为0.1778mm的滚动体故障(滚动体1)；(b)故障直径为0.3556mm的滚动体故障(滚动体2)；(c)故障直径为0.5334mm的滚动体故障(滚动体3)；(d)故障直径为0.1778mm的内圈故障(内圈1)；(e)故障直径为0.3556mm的内圈故障(内圈2)；(f)故障直径为0.5334mm的内圈故障(内圈3)；(g)故障直径为0.1778mm的外圈故障(外圈1)；(h)故障直径为0.3556mm的外圈故障(外圈2)；(i)故障直径为0.5334mm的外圈故障(外圈3)；(j)正常轴承(正常)；每种状态取25组数据，每组数据长度为4096个数据点，10种状态下的原始信号时域波形如图4所示。

将上述10种故障滚动轴承的振动信号分别进行RTSMPE和MPE分析，其均值标准差曲线如图5和图6所示。

分析图5和图6可知，首先，MPE的熵值曲线在总体趋势上是下降的，而RTSMPE的熵值曲线在在总体趋势上是上升的。这是由于MPE算法对原始序列的数据长度N和尺度因子τ的依赖较大，在N一定的时候，其粗粒化的序列长度会随着τ增大而缩短，造成在后续尺度上滚动轴承振动信号携带信息的损失。而RTSMPE算法，仅仅依赖于原始信号序列长度N，τ的增大并不能造成轴承振动信号携带信息的损失，依然能够保持振动信息的丰富度；其次，就两种算法熵值曲线的密集度来讲，随着尺度因子的增大，MPE值越来越密集，而RTSMPE值却能保持其分散性，据此，在一定程度上我们可以预测，当将RTSMPE特征集和MPE特征集输入到FO-SVM多故障分类器中，相比于基于MPE与FO-SVM的故障特征提取方法，基于RTSMPE与FO-SVM的故障特征提取方法将会有获得更高的识别率；再次，就不同故障信号的MPE与RTSMPE的标准差来讲，基于RTSMPE的标准差要比基于MPE的标准差要小，这从一定程度上说明，基于RTSMPE的故障特征提取方法要比基于MPE的故障特征提取方法更加稳定，这将降低FO-SVM对故障类型和程度的误判性，在一定程度上提高了故障识别率。

在上述实验数据中，故障振动的信号共有10种，每种故障振动信号有25组，共计250组样本，现随机从每种故障振动信号的25组样本中选取10组样本作为训练样本，剩下的15组样本作为测试样本，共计100组训练样本与150组测试样本；针对每个样本分别通过MPE算法与RTSMPE算法计算出了20个尺度上的20个特征。分别将训练集与测试集的前1到前20个特征输入到FO-SVM中，得到基于MPE与RTSMPE的故障识别率如图7所示。

从图7中可以看到，基于RTSMPE与FO-SVM的故障识别率曲线一直在基于MPE与FO-SVM的故障识别率曲线之上，这说明充分了基于RTSMPE与FO-SVM的故障诊断方法具有较高识别率，在故障识别方法领域较优越的性能。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：包括步骤：

步骤1-1：采集待诊断物体的原始故障振动信号；

步骤1-2：提取原始故障振动信号的精细时移多尺度排列熵值；

步骤1-3：将故障特征样本分为多个训练样本和测试样本；

步骤1-4：采用多个训练样本对基于萤火虫算法优化的支持向量机的多故障特征分类器进行训练；

步骤1-5：采用已训练完成的多故障特征分类器对测试样本进行分类；

步骤1-6：根据分类结果识别物体的工作状态和故障类型。

2.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-2中所测取原始故障信息的精细时移多尺度排列熵值的过程包括：

步骤2-1：对获取的原始故障振动信号进行时移粗粒化；

步骤2-2：计算同一尺度因子τ下生成的τ个符号序列的概率；

步骤2-3：对同一尺度下的所有符号概率求平均，通过信息熵的定义得到原始故障振动信号的精细时移多尺度排列熵值；

步骤2-4:对所有的尺度因子重复步骤2-2到2-3的操作，得到振动信号在所有尺度因子下的精细时移多尺度排列熵值。

3.根据权利要求1所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤1-5中所述萤火虫算法优化的支持向量机用于对故障特征样本中各样本的工作状态和故障类型进行分类，并分别根据已经训练完成的多故障特征分类器中的每单一萤火虫算法优化的支持向量机的输出O(y)是否是+1进行判断；具体判断步骤包括：

步骤3-1：若输出是O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本集的分类；

步骤3-2：若输出是O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时，输出测试样本的分类。

4.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-1中所述时移粗粒化过程包括:

步骤4-1：对于给定的尺度因子τ和时间序列X＝{x₁,x₂,...x_N}，经过时移的处理，可以得到新的时间序列：

其中，k(1≤k≤τ)和β(β＝τ)是正整数，分别表示时间序列的起点和间隔点数，i表示时间序列y的第i个点；Δ_(k，β)＝(N-β)/k，是四舍五入的整数并表示上边界个数；

步骤4-2：尺度因子为τ，对得到的y_k,β中的每个序列依次进行粗粒化，其表达式为如下：

其中，j表示时间序列Z的第j个点。

5.根据权利要求2所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：步骤2-2中所述时移粗粒化序列的排列熵值计算过程包括：

步骤5-1：假设对于给定原始时间数据长度为N的时移粗粒化序列Z：Z₁,Z₂,...Z_N，对其进行相空间重构，得到嵌入维度矩阵，其矩阵表达式包括：

其中，m为嵌入维度，t代表延迟时间，K＝N-m+1，K代表矩阵的行数，且每一行定为一模式向量Z(r)，故K也代表模式向量的个数；

步骤5-2：将每一个模式向量Z(r)的m个数据按照升序重新排列，即

z(r)＝{z(i+(j₁-1)t)≤z(i+(j₂-1)t)≤…≤z(i+(j_m-1)t)}

如果存在z(i+(j₁-1)t)＝z(i+(j₂-1)t)，按j值的大小来进行排序，即当j_k1＜j_k2，有z(i+(j₁-1)t)≤z(i+(j₂-1)t),所以任何一个模式向量Z(r)都可以得到一组符号序列：S(g)＝{j₁,j₂,…,j_m}

其中，g＝1,2,…,k,K≤m！，m个不同的符号{j₁,j₂,…,j_m}共有m！种不同的排列，对应地，共有m！种不同的符号排列，s(g)是m！种符号序列中一种；

步骤5-3：计算每一种符号序列出现的概率P(g＝1,2,…,k),此时，时间序列Z的排列熵按照香农熵的形式定义为：

当P_g＝1/m！时，H_p(m)达到最大值ln(m！)，因此，通过ln(m！)将排列熵H_p(m)进行标准化处理，即H_p＝H_p(m)/ln(m！)。

6.根据权利要求3所述的一种基于精细时移多尺度排列熵与萤火虫算法优化的支持向量机的故障诊断方法，其特征在于：所述萤火虫算法优化支持向量机步骤包括：

步骤6-1：初始化萤火虫基本参数；

步骤6-2：初始化支持向量机的参数，将萤火虫的初始位置坐标分别赋值给惩罚因子C和核函数参数g；

步骤6-3：利用支持向量机的初始化参数对群体中所有萤火虫进行分类训练，并初始化每个萤火虫的适应度值；

步骤6-4：更新萤火虫个体的荧光素值，每个萤火虫个体在其动态及决策半径内选择亮度比自己高的个体，组成领域集；

步骤6-5：计算萤火虫i移向邻域集内萤火虫j的概率，朝概率值最大的方向更新位置，若更新后值超过各个参数的取值范围则方向取反；

步骤6-6：更新动态决策半径，若满足停止条件，则停止搜索，返回最优的萤火虫位置，将最优位置的坐标分别赋值给惩罚因子C和核函数参数g，输出最终的分类模型；否则，返回步骤6-4继续执行；

步骤6-7：将测试样本输入到最优的萤火虫算法优化支持向量机的模型，输出物体故障类型和程度。