[发明专利]一种基于多特征提取和WOA-ELM的滚动轴承故障诊断方法

说明书

本发明公开了一种基于特征融合和WOA‑ELM的滚动轴承故障诊断方法，步骤如下：步骤一，采用凯西西储大学官方轴承数据作为原始振动数据；步骤二，对原始数据做时域分析、频谱分析和小波包分解，提取时域、频域和时频域特征；步骤三，对步骤二所得的混合域特征集进行归一化处理；步骤四，利用流形学习LPP算法对归一化后的高维特征集进行维度简约，得到低维特征样本集；步骤五，利用WOA算法优化ELM网络参数，将低维特征数据输入给WOA‑ELM模型进行故障诊断。本发明有效解决了特征提取不充分和多特征样本中存在冗余特征信息，以及极限学习机随机产生网络参数导致稳定性不足等问题。本发明对提高轴承故障诊断率具有明显的优势。

技术领域

本发明涉及一种轴承故障诊断方法，尤其涉及一种基于多特征提取和WOA-ELM的滚动轴承故障诊断方法。

背景技术

旋转机械是支撑国民经济平稳发展的动力，机械发生故障会带来严重的经济损失。滚动轴承是大型机械设备的重要组成部件,对机械设备的安全运转极为重要，因此亟需研究有效、可靠的轴承故障诊断方法。针对滚动轴承早期故障呈现非线性、非平稳等特点，国内外学者在滚动轴承的特征提取和诊断模型方面不断的进行探索性研究。

目前，时域分析方法虽然能有效保留原始信号的特征，但是对于非平稳信号不敏感。快速傅里叶变换只适用于平稳信号的分析中，且难以同时体现时频两域的全貌和局部特征。单纯的小波包能量不能很好的反映振动信号中能量的复杂程度，对滚动轴承的早期故障不敏感。在多特征提取的情况下，同样存在冗余特征的问题。因此，亟需采用有效的特征提取方法和诊断模型。

发明内容

针对提高滚动轴承故障诊断率的问题，本文提出了一种基于多特征提取和WOA-ELM的滚动轴承故障诊断方法。分别对滚动轴承的振动信号进行时域分析、频谱分析和小波包分解，构成混合故障特征集。应用局部保留投影对混合特征集进行降维并剔除冗余特征。引入鲸鱼算法优化极限学习机的网络参数，建立WOA-ELM滚动轴承诊断模型对故障进行分类和诊断。该方法能有效提高滚动轴承故障诊断率。

实现本发明的技术方案为：

一种基于多特征提取和WOA-ELM的滚动轴承故障诊断方法，包括特征提取和分类器的构建，具体步骤如下：

步骤一，采用凯西西储大学官方轴承数据作为原始振动数据；

步骤二，对原始数据做时域分析、频谱分析和小波包分解，提取时域、频域和时频域特征；

步骤三，对步骤二所得的混合域特征集进行归一化处理；

步骤四，利用流形学习LPP算法对归一化后的高维特征集进行维度简约，得到低维特征样本集；

步骤五，利用WOA算法优化ELM网络参数，将低维特征数据输入给WOA-ELM模型进行故障诊断。

步骤二的具体内容是：时域特征为无量纲特征指标，包括峰值因子、脉冲因子、波形因子、裕度因子和峭度因子。利用FFT将时域信号转化为频域信号进行频谱分析，选取均值频率和频率散度作为频域特征。利用db3母小波进行三层小波包分解，提取各频带之间差异较大的子频带小波包能量作为时频域特征。

步骤三的具体内容是，利用步骤二所得的三域特征构建混合特征矩阵Y，然后为避免特征指标之间数值相差较大影响分类器的诊断，对混合特征矩阵Y进行归一化处理：其中max和min为样本数据最大值和最小值。

步骤四的具体内容是，利用LPP对步骤三所得归一化后的高维特征集进行降维，具体步骤如下：

通过计算得出变换矩阵A使得高维空间中的数据点x_i(i＝1,2，…，m)投影至低维空间数据点y_i(i＝1,2，…，m)，即为y_i＝A^Tx_i

矩阵A是通过计算对目标函数最小化得到的，即