.基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

作者：李娜娜,万中. 日期：2023-11-27/span> 浏览：309 查看PDF文档

摘要:由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明:IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOAELM的故障诊断策略能够快速且有效地识别滚动轴承的故障类型,具有应用的潜力。

关键词:改进层次极差熵;鲸鱼算法优化极限学习机;滚动轴承;故障诊断

中图分类号:TH133.33文献标识码:A文章编号:1001-4551(2023)11-1752-08


本文引用格式:

李娜娜,万中.基于改进层次极差熵和WOA-ELM的滚动轴承故障识别［J］.机电工程,2023,40(11):1752-1759.

LI Nana, WAN Zhong. Rolling bearing fault identification based on improved hierarchical range entropy and WOA-ELM［J］.Journal of Mechanical & Electrical Engineering, 2023,40(11):1752-1759.