[发明专利]基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法

说明书

本发明公开了一种基于CMWPE和SaE‑ELM的机车轮对轴承故障诊断方法，包括以下步骤：1）分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据；2）对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差；3）将CMWPE特征提取后的特征样本作为SaE‑ELM模型的训练和测试样本；4）网络初始化，设定网络参数，利用SaE对ELM进行优化，寻找最佳参数αi、bi，并计算输出权重β；5）利用SaE优化后的ELM对测试集进行分类，确定机车轮对轴承的故障类型。

技术领域

本发明涉及滚动轴承故障诊断技术领域，具体涉及一种基于CMWPE和SaE-ELM的机车轮对轴承故障诊断方法。

背景技术

机车轮对轴承的工作环境复杂，非平稳载荷以及系统内部如非线性刚度、间隙等非线性因素，都使得振动信号呈现出复杂性和不规则性。传统的时频分析如经验模态分解(EMD) 和小波变换等，虽能处理大多数轴承振动信号中的非平稳性信号，但并不能提取其中的非线性特征信息。近似熵、样本熵以及分形维数等非线性参数已经被广泛应用于机械设备的故障诊断。然而，近似熵的一致性较差；样本熵易受时间序列的非平稳性和异常值的影响；分形维数的计算依赖数据的长度，且实际应用中耗时较长，不适合在线监测。排列熵(PE)可以检测滚动轴承振动信号的随机性和动态突变行为。

然而这些特征参数只能反映某单一尺度上的时间序列信息，并无法反映原信号的所有信息，会丢失某些重要特征，特征提取效果不理想。在排列熵的基础上，复合多尺度加权排列熵(CMWPE)借鉴了加权的思想，考虑了同一尺度下多个粗粒化时间序列的WPE，以此抑制由粗粒化时间序列变短而导致的熵值突变，得到更为精准的熵值特征，同时采用复合粗粒化的构造方式，使得到的复合粗粒化时间序列对原始时间序列长度的依赖性大大降低，能最大程度保留原始时间序列所蕴含的振动信息。因此，复合多尺度加权排列熵可作为特征参数用以表征信号在不同尺度上的复杂性，能有效地解决上述单一尺度下，提取信息的局限性问题。

SaE-ELM是一种机器学习方法，其中每一代群体变异策略、交叉因子和缩放因子通过自适应机制进行选择，进而通过MP广义逆矩阵求得输出层参数。对极限学习机(ELM)的输入权重、隐含层偏置和输出权重进行优化，克服了模型中存在某些对网络性能贡献较少的节点，造成模型结构的冗余，影响网络性能的缺点。

基于以上分析，为了更好地反映机车轮对轴承振动信号在不同尺度上的细节复杂度特征，本发明采用CMWPE提取轴承原始信号的多尺度非线性特征信息。采用SaE-ELM模型对轴承不同故障类型和故障程度进行智能识别。该方法结合了CMWPE的信号非线性特征提取和SaE-ELM运算速度快、网络泛化性能好的优势。数据分析结果表明，CMWPE特征提取效果优于MPE和MWPE；SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障，为提高机务段检测机车轮对轴承故障的准确度提供了一种备选方法。

发明内容

为解决当前技术中的不足，本发明提供一种基于复合多尺度加权排列熵和SaE-ELM的机车轮对轴承故障诊断方法，故障识别模型运行稳定、自适应性强，且对机车轮对轴承实际故障识别准确率高。

为了实现上述目标，本发明采用如下技术方案：基于复合多尺度加权排列熵的机车轮对轴承SaE-ELM故障诊断方法，主要步骤如下：

(1)分别采集DF4型内燃机车包含单一和复合故障在内的七种不同健康状态的轮对轴承试件的振动信号数据；

(2)对输入的特征向量进行归一化处理，除去样本集中的奇异样本，从而减少误差；

(3)将CMWPE特征提取后的特征样本作为SaE-ELM模型的训练和测试样本；

(4)网络初始化，设定网络参数，利用SaE对ELM进行优化，寻找最佳参数α_i、b_i，并计算输出权重β；