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,且该参数对模型的识别准确率影响非常小。该研究结果可以为滚动轴承的故障诊断提供新的视角和方案。