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...