CN115017943B 轴承故障诊断模型训练方法及训练装置 （合肥工业大学）

本发明提出一种轴承故障诊断模型训练方轴承的不同类型故障的故障振动信号进行数据用所述训练特征集对蜜獾算法优化核极限学习2对轴承的不同类型故障的故障振动信号进行数据分割，以获得训计算所述训练集中所述训练样本在不同参数下的轮廓系其中，所述增强复合多尺度斜率熵ECMSE是通过求每个尺度因子下的复合多尺度斜率表示嵌入维数，r表示延迟时间，s表示尺度因子，表示集中所述训练样本的轮廓系数的变化趋势来在确定最优的低阈值之后，观察不同的嵌入维数和不同高阈3ρ,以核极限学习机的正则优化参数A和核函数建立以训练集的分类错误率作为适应度函数，计算每个蜜獾的适应度；训练集获取模块，用于对轴承的不同类型故障的故参数选取模块，用于计算所述训练集中所述训练样本在不同参特征集获取模块，用于利用参数选取后的增强复合多尺度斜率熵进行故障特征提取，其中，所述增强复合多尺度斜率熵ECMSE是通过求每个尺度因子下的复合多尺度斜率表示嵌入维数，r表示延迟时间，s表示尺度因子，表示45述训练样本的轮廓系数来确定最优的嵌入维数[0020]在本发明的一个实施例中，所述基于差分的复合多尺度斜率熵通过以下方式获得到基于差分的复合多尺度斜率熵在尺度因子C和ρ,以核极限学习机的正则优化参数A和核函数参数α作为蜜獾的位置信息；[0029]参数选取模块，用于计算所述训练集中所述训练样本在[0031]模型训练模块，用于利用所述训练特征集对蜜獾算法优化核极限学习机进行训6障特征输入到蜜獾算法优化核极限学习机分类器中实[0042]图8-1为利用增强复合多尺度斜率熵算法提取9种故障信号样本的特征，t-sne可[0043]图8-2为利用复合多尺度斜率熵算法提取9种故障信号样本的特征，t-sne可视化[0045]图8-4为利用精细复合多尺度散步熵算法提取9种故障信号样本的特征，t-sne可[0046]图8-5为利用复合多尺度加权排列熵算法提取9种故障信号样本的特征，t-sne可7[0055]需要说明的是，本实施例中所提供的图示仅以示意方式遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘8述训练集中所述训练样本的轮廓系数来确定最优的嵌入维数[0069]在步骤3中所述增强复合多尺度斜率熵ECMSE是通过求每个尺度因子下的复合多粗粒化序列的第j个点。9来定义，需要说明的是其中a＝i-[(j-1)s+k]，第j个点。常数C和ρ,以A和α作为蜜獾的位置信息。[0096]核函数通过将特征空间映射到更高维的特征空间，从而获得更好的特征区分效[0105]蜜獾算法是由FatmaA.Hashima等人在20[0114]其中dt表示蜂蜜和第t个蜜獾之间的距离，xprey表示迄今为止发现的最佳猎物位根据气味进行搜索时，其运动轨迹呈心形，通过设置搜索方向F以更好地发现蜂蜜位置。如上述实施例描述的轴承故障诊断方法，具体的所述轴承故障诊断装置100包括训练集获[0128]为了体现本发明方法的有效性和可行性，采用试验台现场采集的数据进行验[0135]由图8-1至图8-5可知，增强复合多尺度斜率熵ECMSE除外圈/滚子复合故障和内叉的现象，且有部分内圈单点故障被划分为正常类别。基于差分的复合多尺度斜率熵[0137]由图9-1至图9-5可知，ECMSE的诊断正确率达100720个故障全部分类正确。到的故障特征输入到蜜獾算法优化核极限学习机分类器中实现轴