随着国家机械化发展水平的不断提高,各个设备之间关系变得错综复杂,设备故障带来的后果也将难以预知,因此机械故障诊断技术受到了国内外学者的高度重视,然而如何对机械设备采取准确高效的故障诊断方法,一直是机械工程领域首先考虑的问题之一。本文针对机械故障诊断领域中传统的特征选择与模式识别方法的不足之处,把新型群智能算法——蚁狮算法与其改进算法应用在机械故障诊断中,完成了对机械故障特征集的智能优化选择和极限学习机(Extreme Learning Machine,ELM)的参数优化,主要工作如下:(1)首先介绍蚁狮算法的基本思想与数学模型等相关理论,并通过标准测试函数测试了该算法的有效性;其次将蚁狮算法简化后的进化轨迹模型转化为离散序列的差分方程并进行求解,成功证明了该算法的局部收敛性;然后通过对随机优化算法全局收敛的两个充要条件的理论证明,得出蚁狮算法属于局部搜索优化算法;最后,设计单因素方差实验对蚁狮算法进行参数效能分析,并得出初始参数对蚁狮算法求解性能的影响规律,有效解决了算法参数设置的盲目性问题;(2)提出一种改进的二进制蚁狮算法,通过引入种群保护集机制,对具有寻优潜力的部分蚂蚁进行保留,并将保护集内群体与主群并行迭代,以加强算法的全局寻优能力;将上述改进融入混合式特征选择模型中,并在UCI标准测试数据集与滚动轴承故障数据集上分别应用该模型进行特征优化选择,实验结果表明,融合改进二进制蚁狮算法的混合式特征选择模型的识别精度与特征约减能力均得到明显的提升;(3)提出一种连续型的改进蚁狮算法,在种群初始化阶段,对适应度较差个体以分布式估计算法中的高斯概率模型进行重新生成,针对算法迭代中可能出现迭代停滞的现象,引入莱维扰动策略,并控制扰动步长的自适应变化。实验表明,上述改进策略显著提高了算法的收敛性与适应性;将上述改进算法用于对ELM模型初始参数的优化,用以解决ELM在训练过程中易陷入局部最优和不稳定的缺陷,通过滚动轴承模式识别实例证明,该模型的识别率得到显著提升。