基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征，而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息，导致提取的故障特征不够全面，进而影响旋转机械故障识别准确率，针对这一问题，提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先，利用层次分割处理代替MRFDE中的粗粒化处理，提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法，并用于全面表征旋转机械故障特征中的低频和高频信息，从而生成了故障特征样本；然后，采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化，建立了GSA-PNN多故障分类模型，对旋转机械的故障类型进行了识别和检测；最后，利用滚动轴承和齿轮箱两种典型的故障数据集，对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析，并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明：基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别...     

基于MRE与特征类的轴承故障诊断方法

针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵（MRE）和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将提取到的特征向量输入到EigenClass分类器,得到分类结果。实验证明,提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征,并且实现高精度分类。与其他故障识别的分类器相比,本方法具有更高的故障识别准确率,识别精度达到98.86%。     

基于IMIE、MCFS和SSA-ELM的离心泵故障诊断方法

采用多尺度排列熵对离心泵振动信号进行分析时，存在忽略信号幅值信息以及粗粒化处理存在不足的问题，从而导致离心泵的故障识别准确率不高，为此，提出了一种基于改进多尺度增长熵(IMIE)、多聚类特征选择(MCFS)和麻雀搜索算法优化极限学习机(SSA-ELM)的离心泵故障诊断方法。首先，基于改进粗粒化处理，提出了改进多尺度增长熵(IMIE)方法，将其用于提取故障特征，构造了反映离心泵损伤属性的特征矩阵；随后，采用多聚类特征选择(MCFS),对原始故障特征进行了重要性排序，获得了对分类识别贡献度更高的故障特征，提高了故障特征的质量；最后，将低维的敏感特征输入至基于麻雀搜索算法(SSA)的极限学习机(ELM)中，进行了离心泵故障分类，完成了离心泵不同故障类型的识别任务；并采用离心泵故障数据集，对基于IMIE、MCFS和SSA-ELM的故障诊断方法的有效性进行了实验验证。研究结果表明：所提故障诊断方法的故障识别准确率达到了100%,多次实验的平均准确率和标准差也优于其他对比的故障诊断方法，即IMIE能够准确地提取信号中的故障信息，进而表征离心泵的健康状态；SSA-ELM能够准确地识别离心泵的故障类型...     

IHIE在滚动轴承损伤识别中的应用

针对滚动轴承的损伤识别精度较低的缺陷,建立基于改进层次增量熵（IHIE）和海鸥算法（SOA）优化极限学习机（ELM）的损伤识别模型。首先,采用IHIE提取滚动轴承的熵值特征,生成故障特征;然后,利用SOA对ELM进行迭代寻优,建立结构最优的分类模型;最后,将故障特征输入至SOA-ELM模型中进行训练和测试,完成滚动轴承的损伤识别。利用两组滚动轴承数据集对该模型进行了实验评估。研究结果表明：该模型能够有效识别滚动轴承的损伤类型和损伤程度,两种数据集的识别准确率分别达到了100%和96.92%,且在多个维度都优于对比方法,具有一定的优越性。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于改进层次全局模糊熵和MCFS的滚动轴承损伤识别

针对传统的多尺度特征提取方法无法捕捉振动信号高频故障信息的问题,提出了一种基于改进层次全局模糊熵(IHGFE)全局全频段特征提取、多聚类特征选择(MCFS)特征降维和支持向量机分类的滚动轴承故障诊断方法。首先,提出了能够捕捉振动信号低频到高频的全局特征的IHGFE非线性动力学方法,并将其用于滚动轴承的故障特征提取;然后,利用MCFS对初始特征向量进行了维数约简和优化,构建了低维且对故障敏感的故障特征向量;最后,建立了基于支持向量机的多故障分类器,实现了滚动轴承损伤的智能化识别,并通过两个滚动轴承实验进行了对比分析。研究结果表明：IHGFE的分类准确率和识别稳定性均优于对比方法,证明了其在特征提取中能够在一定程度上解决现有方法无法同时考虑信号的高频特征和全局特征的问题,可为进一步扩展模糊熵方法在滚动轴承损伤识别中的应用提供参考。     

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性，鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势，提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先，根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点，利用RCMRFDE预先检测了滚动轴承的健康状态，筛选出了健康轴承；然后，采用RCMRFDE提取出了剩余故障轴承的故障特征，并采用极限学习机(ELM)对故障类型进行了智能化的识别；最后，基于两种公开的滚动轴承故障实验数据，分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测，并将所得结果进行了比较分析，以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明：采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障，并且在二次实验中，对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法.采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别.通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进...     

基于RCMDE与极限学习机的滚动轴承故障诊断

针对滚动轴承故障信号识别率低的情况,提出一种基于精细复合多尺度离散熵（RCMDE）与极限学习机（ELM）的故障诊断方法。首先,从原始振动信号中提取20个尺度的精细复合多尺度离散熵并以此构建故障特征集,然后利用ELM对其进行故障种类识别。通过凯斯西储大学的轴承数据验证提出方法的有效性,最后将提出方法与MPE-ELM进行对比。对比结果说明提出的故障诊断方法具有更高的分类精度。     

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题，创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取；其次，为改进鲸鱼优化算法，采取精英反向学习策略增强种群的广泛性，选用非线性因子并加入随机扰动策略增强探索能力；通过4组基准测试函数，将IWOA与4种优化算法对照分析，验证了此改进算法的优越性；最后，将SVM的惩罚参数和核函数参数放入IWOA中，构建IWOA-SVM故障分类模型。故障诊断的结果表明，用IWOA-SVM分类模型在故障诊断中拥有更好的效果，准确率达到100%。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

优化变分模态分解与集成机器学习的风力机滚动轴承故障分类研究

针对滚动轴承振动信号特征提取及故障分类困难这一问题，提出了一种基于鲸鱼算法(WOA)的滚动轴承特征信号提取与极限梯度提升的机器学习方法。以模态信号包络熵最小为适应度函数，对变分模态分解(VMD)层数和惩罚因子进行寻优处理。根据所得最佳分解参数对原始信号模态分解，得到各模态分量并根据能量波动法进行特征信号的筛选，最后根据模态分量建立极限梯度提升学习模型。对四类信号进行学习训练和故障分类。结果表明：WOA-VMD与XGBoost结合可以有效降低信号噪声，得到轴承的故障特征，并能够有效的识别出故障类型。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。     

总体局部特征尺度分解及ELM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition,ELCD)及极限学习机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Intrinsic Scale Component,ISC);其次,根据分解后ISC分量计算时域指标、能量、相对熵,利用特征评估法提取敏感特征;最后,将敏感特征向量输入极限学习机(Extreme Learning Machine,ELM)进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

基于ICEEMD及AWOA优化ELM的机械故障诊断方法

旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。     

H-K-ELM在滚动轴承故障诊断中的应用

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机(Hierarchical Kernel Extreme Learning Machine,H-K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。