文献类型：期刊文章

作　　者：张淑清[1] 苑世钰[1] 姚玉永[2] 穆勇[2] 王丽丽[2]

Zhang Shuqing;Yuan Shiyu;Yao Yuyong;Mu Yong;Wang Lili(Institute of Electrical Engineering,Yanshan University,Qinhuangdao 066004,China;Tangshan Power Supply Company of North Hebei Electric Power Co.Ltd,Tangshan 063000,China)

机构地区：[1]燕山大学电气工程学院,秦皇岛066004 [2]国网冀北电力有限公司唐山供电公司,唐山063000

出　　处：《仪器仪表学报》

基　　金：国家重点研发项目(2018YFB0905500);国家自然科学基金(51875498);河北省自然科学基金(E2018203339);河北省专业学位研究生教学案例库建设项目(KCJSZ2017022)资助.

年　　份：2019

卷　　号：40

期　　号：11

起止页码：172-180

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：旋转机械设备故障检测及识别一直是研究的热点。针对目前故障特征提取和诊断方法的不足,提出一种基于改进的完备集合经验模态分解(ICEEMD)与自适应鲸鱼优化算法(AWOA)优化极限学习机(ELM)的机械故障诊断方法。ICEEMD能够避免在分解过程中产生伪模态,其模式中残留噪声小,使提取故障信息更加准确。利用ICEEMD将采集到的信号分解成多个本征模态函数(IMF),对滚动轴承不同故障状态IMF的斯皮尔曼等级相关系数(SRCC)的计算结果进行分析,得出筛选IMF的标准为其SRCC大于0.02;将筛选后的IMF的混合熵(HE)作为特征向量。WOA相比其他仿生算法所需要调整的相关参数少、收敛速度快、稳定性好。AWOA利用自适应权重优化WOA的局部搜索方式,进一步提高了收敛精度。利用AWOA对ELM的权值和阈值进行优化,可以提高故障诊断的准确率。通过对比实验证明,AWOA-ELM的学习能力强、故障诊断的准确率更高。AWOA-ELM应用在滚动轴承不同尺寸滚珠和外圈故障诊断中,对滚珠故障诊断的准确率达到99.5%,对外圈故障诊断的准确率达到100%。

关 键 词：改进的完备集合经验模态分解  混合熵  自适应鲸鱼算法优化极限学习机  机械故障诊断方法

分 类 号：TH133.33] TP277]