基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法

针对3层小波包分解(Wavelet Packet Decomposition,WPD)忽略了1和2层分解信号以及核极限学习机(Kernel Extreme Learning Machine,KELM)参数选择困难的问题,提出一种基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3层的14个小波包散布熵(Dispersion Entropy,DE)应用最大相关最小冗余算法(max-relevance and min-redundancy,mRMR)进行特征排序,确定最佳向量维度;然后应用哈里斯鹰优化算法(Harris Hawks Optimization,HHO)实现对KELM参数的优化;最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明,将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合,可实现故障诊断过程中对分解信号的充分利用,与将只用到第3层分解信号的小波包散布熵输入到KELM的故障分类方法相比,识别准确率提高11.38%。

基于小波包散布熵与Meanshift概率密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.