基于灰狼算法优化ELM的中介轴承故障诊断方法技术

本发明专利技术提出了一种基于灰狼算法优化ELM的中介轴承故障诊断方法，该方法首先利用CEEMDAN对振动信号传感器采集到的振动信号进行分解，并使用峭度值

【技术实现步骤摘要】
基于灰狼算法优化ELM的中介轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，尤其涉及一种基于灰狼算法优化ELM的中介轴承故障诊断方法。

技术介绍

[0002]轴承目前在各种机械设备中都有着广泛的应用，而轴承出现故障后，通常还会诱发其他机械零件故障，造成重大经济损失甚至是人员伤亡。而航空发动机上所采用的中介轴承不同于传统的滚动轴承，中介轴承在工作时内外圈同时转动，而且润滑困难，因此故障率较高，而一旦发生故障，严重情况甚至可造成发动机空中停车。传统的轴承故障诊断方法如人工识别、决策树等诊断准确度较低且效率不高，已经无法满足当今社会发展对轴承的要求。
[0003]针对中介轴承振动信号受背景噪声干扰大，故障特征较难提取的特点。通过传统的经验模态分解(Empirical mode decomposition,EMD)对振动信号进行分解再选择合适的分量进行重构，能够有效的提高信噪比，抑制背景噪声的干扰，但存在着模态混叠的现象。为解决这一问题，集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)在EMD的基础上进行了改进，其在分解过程中多次添加白噪声从而解决了模态混叠的现象，但也因白噪声的干扰导致重构的信号存在偏差。传统的故障诊断技术，如频谱分析需要依靠人力进行识别，诊断的效率及准确度有着较大的缺陷，极限学习机(Extreme Learning Machine,ELM)是一种单隐含层神经网络，与传统的神经网络相比其训练速度更快，精确度更高，而且不需要设置太多参数，但是由于ELM的输入层与隐含层的权值和隐含层阈值是随机产生的，对故障诊断的正确率有一定的限制，而且其泛化能力及鲁棒性也有限。因此，在中介轴承故障类型诊断方面还存在着较多的不足之处，亟需一种高效、准确的中介轴承故障诊断方法。

技术实现思路

[0004]针对上述现有技术的不足，本专利技术提供一种基于灰狼算法优化ELM的中介轴承故障诊断方法。其中，自适应噪声完全经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)，该方法通过在每次分解过程中加入自适应的高斯白噪声，计算唯一的信号残余分量。极限学习机(Extreme Learning Machine，ELM)是一种单隐含层神经网络，其隐含层权值和阈值为随机产生，而其对模型的质量而言尤为重要。灰狼算法(Grey Wolf Optimizer,GWO)灵感来自于狼的分工和协同觅食，是一种新的群体智能算法，模拟狼的等级制度和狼的捕食行为。
[0005]为解决上述技术问题，本专利技术提出一种基于灰狼算法优化ELM的中介轴承故障诊断方法，包括：
[0006]步骤1：采集轴承的振动信号；
[0007]步骤2：采用CEEMDAN算法对采集得到的轴承振动信号进行分解，分解得到不同的
IMF分量；
[0008]步骤3：结合峭度值、相关系数和多尺度排列熵这三个参数，对分解后的IMF分量进行筛选，并对筛选后的分量进行线性重构；包括：
[0009]步骤3.1：计算各IMF分量的峭度值K：
[0010][0011]其中，x为IMF分量的振幅；μ为IMF分量振幅的平均值。
[0012]步骤3.2：计算各IMF分量与原始信号的皮尔逊相关系数r：
[0013]步骤3.3：计算各IMF分量的多尺度排列熵系数ε：
[0014]步骤3.4：对计算得到的峭度值K、相关系数r和多尺度排列熵系数ε进行加权求和，得到综合筛选指标值Krε：
[0015]Krε＝a1K+a2r+a3ε
[0016]其中，a1、a2、a3分别为IMF分量的峭度值、相关系数和多尺度排列熵的权重值；
[0017]步骤3.5：对各IMF分量的综合筛选指标值Krε进行从大到小排序，筛选出最大的前n个IMF分量；
[0018]步骤3.6：对筛选出的IMF分量进行重构；
[0019]步骤4：提取步骤3重构所得到的信号的时域特征及频域特征，作为极限学习机的输入；
[0020]所述时域特征及频域特征包括：最大值、最小值、峰值、峰峰值、均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、波峰因子、脉冲因子、裕度因子、余隙因子、平均频率、重心频率、频率均方根、频率标准差；
[0021]步骤5：采用GWO优化ELM的输入层与隐含层的权值及隐含层阈值，得到优化后的极限学习机；包括：
[0022]步骤5.1：初始化灰狼位置，以初始化的灰狼位置作为极限学习机的输入层与隐含层的权值及隐含层阈值获得初始故障诊断错误率；
[0023]步骤5.2：初始化灰狼算法的种群数量、进化代数以及收敛因子a和系数向量A、C：
[0024][0025]A＝2a
×
r1‑
a
[0026]C＝2r1[0027]其中：t是迭代次数；t
max
是最大迭代次数；r1和r2的模为[0,1]区间内的随机数；
[0028]步骤5.3：把极限学习机诊断得到的平均错误率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；
[0029]步骤5.4：更新各灰狼的位置；
[0030]步骤5.5：更新a、A、C；
[0031]步骤5.6：计算全部灰狼的适应度值，同时更新适应度较大的前三个灰狼的适应度和位置；
[0032]步骤5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.7继续寻优迭代过程，直到迭代结束输出最优的输入层与隐含层的权值及隐含层阈值；
[0033]步骤5.8：根据步骤5.7输出的最优输入层与隐含层的权值及隐含层阈值构建优化后的极限学习机；
[0034]步骤6：提取待诊断振动信号的时域特征及频域特征，利用经灰狼算法优化后的极限学习机进行故障诊断。
[0035]本专利技术的有益效果：
[0036]1、本专利技术提供的方法所选用的自适应噪声完全经验模态分解，通过在每次分解过程中加入自适应的高斯白噪声，计算唯一的信号残余分量，不仅使重构误差极低，而且运算效率较高。
[0037]2、本专利技术提供的方法所选用的峭度
‑
相关系数
‑
多尺度排列熵准则筛选出分解的模态分量，可以有效去除无关分量，避免了通过单一指标选择的IMF分量的片面性，达到抑制背景噪声的目的。
[0038]3、本专利技术提供的方法所选用的极限学习机故障诊断平均错误率作为适应度值，使模型整体具有较强的泛化能力以及鲁棒性。
[0039]4、本专利技术提供的方法应用于中介轴承振动信号，结果表明，经过该方法去噪得到的信号有效的抑制了噪声的干扰，对故障诊断的正确率有较大的提高，具有一定的工程应用价值。
附图说明
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰狼算法优化ELM的中介轴承故障诊断方法，其特征在于，包括：步骤1：采集轴承的振动信号；步骤2：采用CEEMDAN算法对采集得到的轴承振动信号进行分解，分解得到不同的IMF分量；步骤3：结合峭度值、相关系数和多尺度排列熵这三个参数，对分解后的IMF分量进行筛选，并对筛选后的分量进行线性重构；步骤4：提取步骤3重构所得到的信号的时域特征及频域特征，作为极限学习机的输入；步骤5：采用灰狼算法GWO优化极限学习机ELM的输入层与隐含层的权值及隐含层阈值，得到优化后的极限学习机；步骤6：提取待诊断振动信号的时域特征及频域特征，利用经灰狼算法优化后的极限学习机进行故障诊断。2.根据权利要求1所述的一种基于灰狼算法优化ELM的中介轴承故障诊断方法，其特征在于，所述步骤3包括：步骤3.1：计算各IMF分量的峭度值K：其中，x为IMF分量的振幅；μ为IMF分量振幅的平均值；步骤3.2：计算各IMF分量与原始信号的皮尔逊相关系数r：步骤3.3：计算各IMF分量的多尺度排列熵系数ε：步骤3.4：对计算得到的峭度值K、相关系数r和多尺度排列熵系数ε进行加权求和，得到综合筛选指标值Krε：Krε＝a1K+a2r+a3ε其中，a1、a2、a3分别为IMF分量的峭度值、相关系数和多尺度排列熵的权重值；步骤3.5：对各IMF分量的综合筛选指标值Krε进行从大到小排序，筛选出最大的前n个IMF分量；步骤3.6：对筛选出的IMF分量进行重构。3.根据权利要求1所述的一种基于灰狼算法优化ELM的中介轴承故...

【专利技术属性】
技术研发人员：栾孝驰，张席，沙云东，郭小鹏，赵奉同，赵新华，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：