一种基于CEEMD多尺度散布熵与PSO-ELM的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于互补集合经验模态分解(CEEMD)多尺度散布熵与粒子群算法(PSO)优化的极限学习机(ELM)相结合的滚动轴承故障诊断方法。该方法首先采用CEEMD方法对滚动轴承非平稳的原始加速度振动信号进行分解，得到若干个平稳的本征模函数(IMF)分量，并根据相关系数原则对IMF分量进行筛选，再利用多尺度散布熵对筛选出的IMF分量进行特征提取，最后将特征集送入经PSO优化后的ELM进行分类识别，最终实现故障特征的提取与诊断。本发明专利技术在凯斯西储大学数据集上取得了很好的效果，该方法运行速度快，抗干扰能力强，也解决了传统ELM参数选取随机导致的分类不准确问题，极大的提高了故障诊断精度。故障诊断精度。

【技术实现步骤摘要】
一种基于CEEMD多尺度散布熵与PSO
‑
ELM的滚动轴承故障诊断方法


[0001]本专利技术属于机械故障诊断领域，涉及滚动轴承的故障诊断方法。

技术介绍

[0002]滚动轴承是许多机械装备中必不可少的部件之一，发挥着重要作用，同时，它也是最为脆弱的几种部件之一。轴承一旦发生损坏，会对机器的使用寿命以及性能造成很大影响，甚至发生重大事故，造成重大经济损失并危及人身安全。研究表明，滚动轴承故障占机械设备总故障的45％～55％，严重影响机械的运行效率，因此，研究滚动轴承的早期故障诊断方法对提高机械运行的安全性和提前预知故障规避风险有重大意义。由于滚动轴承振动信号具有非线性和非平稳性，难以获得大量典型故障样本，因此，有效的故障诊断方法是当今研究的热点。
[0003]为了使故障诊断结果更精确，YEH J提出一种新型的信号处理方法——互补集合经验模态分解(CEEMD)方法，此方法不仅能有效抑制经验模态分解(EMD)方法会产生的模态混淆问题，而且比集成经验模态分解(EEMD)的运算时间更短，因此广泛应用于机械故障诊断中。CEEMD分解后的信号需要进行特征提取，在研究学者的努力下，出现了众多特征提取方法，例如：样本熵、排列熵、模糊熵、符号熵、基本尺度熵、散布熵等方法，这些方法都能够对信号的复杂度进行度量，有效的提高了故障诊断精度。但是，上述熵往往都是对信号进行单一尺度下的度量，而滚动轴承故障信号中的故障信息往往分布在不同的尺度下，只进行单一尺度的度量容易造成故障信息的丢失，进而无法准确的对故障信息进行刻画。因此，能克服故障信息丢失且抗干扰能力强的特征提取方法是提高故障诊断精度的关键。
[0004]随着数字化时代的到来，机器学习方法可以解决预测、分类、聚类以及特征提取等问题，其中解决分类问题效果显著，极限学习机(ELM)就是Huang等人提出的一种分类方法，由于它不需要迭代更新次数，大大降低了运行时间，是一种高效的分类方法。然而由于ELM算法的初始值以及阈值两个参数都是随机的，会给模型带来不确定性，影响分类准确率。因此，对ELM选取参数的方法进行优化，以提高分类精度是亟需解决的问题。

技术实现思路

[0005]针对上述的不足，本专利技术提供了一种基于CEEMD多尺度散布熵与PSO
‑
ELM相结合的滚动轴承故障诊断方法，本专利技术通过互补集合经验模态分解出原始信号，再通过多尺度散布熵进行特征提取，再利用粒子群算法优化后的极限学习机针对提取的特征值进行训练，从而提高故障诊断效率。
[0006]为了实现上述目的，本专利技术采用了如下技术予以实现：
[0007]一种基于CEEMD多尺度散布熵与PSO
‑
ELM相结合的滚动轴承故障诊断方法。包括如下步骤：
[0008]S1：获取滚动轴承原始信号。
[0009]S2：采用CEEMD分解原始信号，得到多个IMF分量。
[0010]S3：采用相关系数原则对IMF分量进行筛选。
[0011]S4：将S3筛选后的分量采用多尺度散布熵进行特征提取。
[0012]S5：采用PSO优化算法优化ELM网络参数。
[0013]S6：使用优化后的ELM对前面得到的滚动轴承特征集进行训练，实现故障特征的准确分类。
[0014]在步骤S2中，对采集到的原始振动信号进行互补集合经验模态分解(CEEMD)，得到多个本征模态函数(IMF)分量。
[0015]在步骤S3中，由于S2的本征模态函数分量和原始信号具有一定的相关性，用相关系数原则计算出各本征模态函数分量与原始信号的相关系数，以此筛选出相关性最大的本征模态函数分量，再将其重组成新的振动信号，新的振动信号相较于原始信号而言，去除了噪声干扰，振动信号更为纯净。
[0016]在步骤S4中，采用改进后的散布熵(DE)，即多尺度散布熵进行故障特征提取，组成特征集，多尺度散布熵在度量时间序列复杂度以及不规则性方面优势比散布熵更为突出，非常适合进行信号特征提取。
[0017]在步骤S5中，由于极限学习机(ELM)算法的初始值以及阈值两个参数都是随机的，会对训练结果产生一定影响，这里采用粒子群优化算法(PSO)搜索出最优参数，具体操作是将ELM输入权值IW和隐含层神经元偏置IB设定为PSO算法的粒子，以此避免ELM模型进行随机训练。
[0018]在步骤S6中，使用改进后的极限学习机对特征集进行训练，最后得到故障的准确分类。
[0019]其中，在S5所述的优化ELM网络参数中，将输入权值IW和隐含层神经元偏置IB设定为PSO算法的粒子，避免ELM模型进行随机训练。实现过程分为以下几步：
[0020]第一步，初始化种群规模N1、种群更新次数it max等参数。
[0021]第二步，根据样本数据随机产生惯性参数w，将ELM测试样本输出与预测输出的均方误差作为适应度函数，计算出各粒子的适应度值，经过对比寻优，对粒子的位置、速度进行更新，当均方误差最小或者达到最大迭代次数时，最终得到经过粒子群优化后的ELM网络参数。
[0022]本专利技术的特点及有益效果：
[0023]1、本专利技术采用了CEEMD方法，此方法不仅能有效抑制模态混淆问题，而且运算时间更短。
[0024]2、采用多尺度散布熵进行特征提取，其运算速度快且抗干扰能力强，克服了单一尺度容易造成的故障信息丢失的缺点，有效的提高了故障诊断的精度。
[0025]3、采用PSO算法优化ELM网络参数，避免ELM模型进行随机训练，提高了其分类精度。
[0026]4、将故障诊断方法与优化后的故障分类方法相结合，从而有效提高了故障诊断效率。
附图说明
[0027]图1为本专利技术流程图；
[0028]图2为CEEMD分解流程图；
[0029]图3为其中一组经CEEMD分解后的IMF分量图；
[0030]图4为IMF分量与原始信号的相关系数图；
[0031]图5为PSO
‑
ELM迭代次数图；
[0032]图6为PSO优化前后ELM混淆矩阵矩阵；
[0033]图7为不同负载下PSO
‑
ELM混淆矩阵。
具体实施方式
[0034]本专利技术是一种基于CEEMD多尺度散布熵与PSO
‑
ELM相结合的滚动轴承故障诊断方法，其流程图如图2所示，其过程包括如下步骤：
[0035]CEEMD分解过程包括如下步骤：
[0036]步骤1，将一组加性和减性白噪声信号引入到原信号x(t)中，得到：其中，H
m
、J
m
为加入白噪声之后的信号序列。n
m
(t)代表第m次添加的白噪声。
[0037]步骤2使用EMD对H
m
、J
m
进行分解，进而获取两者的IMF分量，具体如下：c
j，m
(t)代表第m次添加白噪声，EMD分解后获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMD多尺度散布熵与PSO
‑
ELM的滚动轴承故障诊断方法，其特征在于，包括下列步骤：S1：获取滚动轴承原始信号；S2：采用CEEMD分解原始信号，得到多个IMF分量；S3：采用相关系数原则对IMF分量进行筛选；S4：将S3筛选后的分量采用多尺度散布熵进行特征提取；S5：采用PSO优化算法优化ELM网络参数；S6：使用优化后的ELM对前面得到的滚动轴承特征集进行训练，实现故障特征的准确分类。2.如权利要求1所述的基于CEEMD多尺度散布熵与PSO
‑
ELM的滚动轴承故障诊断方法，其特征在于，在步骤S2中，对采集到的原始振动信号进行互补集合经验模态分解(CEEMD)，得到多个本征模态函数(IMF)分量。3.如权利要求1所述的基于CEEMD多尺度散布熵与PSO
‑
ELM的滚动轴承故障诊断方法，其特征在于，在步骤S3中，由于S2的本征模态函数分量和原始信号具有一定的相关性，用相关系数原则计算出各本征模态函数分量与原始信号的相关系数，以此筛选出相关性最大的本征模态函数分量，再将其重组成新的振...

【专利技术属性】
技术研发人员：毛美姣，向林，王建涛，肖文强，杜光超，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：