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：