CN115096590B 一种基于iwoa-elm的滚动轴承故障诊断方法 （燕山大学）

US2018240018A1,2018.08.23一种基于IWOA-ELM的滚动轴承故障诊断方法本发明涉及一种基于IWOA-ELM的滚动轴承先采用变分模态分解方法对轴承信号处理并提的初始化种群策略、基于强化学习选择收敛因子、自适应权重和随机跳跃更新策略、t分布-限学习机的输入权重和偏差进行优化，建立23)对步骤2)所得的k个本征模态，计算各本征模态分量的能量熵，并构建高维特征向4)通过在鲸鱼算法的基础上应用新的种群初始化方案、5)将高维特征向量划分为训练集和测试集，并输入到IWOA-ELM分类器中进行分类训-xi应用反向学习思想对随机生成的NP个初始解XNP＝{x1,x2,...,xNP}进行反向学习得到将改进Tent混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，所述劣势种群随机交换为：对所述适应度值较小的NP个初34.4.4)利用下式计算每个进化策略对应的Q，选择使Q最大化的行动所对应的a值为当Q(a)＝r(a)+γQ(a(1))+γ2Q(a4采用以迭代次数为t分布的自由度参数的t分布变异算子数小于变异概率的鲸鱼为满足变异条件的鲸鱼，执行t分布扰动，具体的位置更新方式如o=xa+t(iteration)·x解在第j维的位置，t(iteration)为自由度参数为迭代次数地t分布；t分布概率密度函数5kk}分别对应分解后第k个模态分量和中其中xi对应分解后第i个IMF分量在t时刻的能量，Ex为第i个IMF分量的能量，n为总的将隐藏层神经元输入权重和偏置作为待优化目标，初始应度值Fmin和群体极值Gbest和个体极值Pbest；迭代更新最优解、个体极值Pbest与群体极值6地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(IMF)的有效分层与隐含层间的连接权值及隐含层的偏置值的随机选择将会影响其稳定性和分类的正确[0009]2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量uk，同时满足每个本征模态的估计带宽之和最小且各本征模7[0014]假设将轴承振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解8[0036]应用反向学习思想对随}；[0037]将改进Tent混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群[0044]ω=e-10(t/T)9[0050]Q学习是一种模型无关的强化学习算法，通过代理多步学习求出最大折扣回报的[0067]Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行[0074]本发明技术方案的进一步改进在于：所述步骤5)滚动轴承的故障诊断具体步骤[0094]2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量uk，同时满足每个本征模态的估计带宽之和最小且各本征模[0096]假设将轴承振动信号f(t)分解成为k个本征模态uk，再从变分模型中寻找最优解化学习选择收敛因子、t分布-levy飞行变异策略获得改进鲸鱼算法优化极限学习机(ELM)[0122]应用反向学习思想对随}；[0123]将混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，然后[0131]ω=e-10(t/T)[0133]使用了一种呈指数改变的自适应权重方法,算法前期使用较大的权重实现较强的[0138]Q学习是一种模型无关的强化学习算法,通过代理多步学习求出最大折扣回报的[0157]Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行特征进行分类，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的电机壳体的驱动端和风扇端12点钟的位置。振动信号f(t)是通过16通道的DAT记录器采集[0168]根据避免模态混叠和保留信号的全部特征信息原则确定分解个数,对组信号进行状态信号取250组数据,从每种状态样本数据中随机抽取的150组数据,即作为训练样本,将