基于CMIE与参数优化KELM的旋转机械故障诊断策略

针对多尺度排列熵忽略信号幅值信息以及粗粒化处理存在不足,造成旋转机械故障识别准确率不稳定和不可靠等缺陷,提出了一种基于复合多尺度增长熵(CMIE)和算术优化算法(AOA)优化核极限学习机(KELM)的旋转机械故障诊断策略(方法)。首先,引入增长熵代替排列熵,进行了故障特征提取,同时采用复合粗粒化处理进行了信号的多尺度分析,提出了复合多尺度增长熵指标,将其用于提取旋转机械振动信号的非线性故障特征;随后,利用AOA对KELM的核心参数进行了自适应优化,建立了网络结构最优的分类模型;最后,将故障特征输入至AOA-KELM分类器,进行了训练和测试,根据分类器的输出标签完成了样本的故障识别任务;利用旋转机械故障数据集对所提策略的性能进行了实验和分析。研究结果表明:CMIE方法可以有效地识别旋转机械的故障类型和故障程度,两种数据集的识别精度均达到了99.2%,在特征提取效率和识别精度方面均优于比较方法;AOA-KELM模型的识别准确率和识别效率优于遗传算法优化核极限学习机、粒子群算法优化极限学习机、网格算法优化核极限学习机和灰狼算法优化核极限学习机。