[发明专利]一种基于SSAE和BA-ELM的滚动轴承故障诊断方法

摘要

本发明提出一种基于SSAE和BA‑ELM的滚动轴承故障诊断方法，包括以下步骤；步骤A1：采集滚动轴承正常、滚动体故障、外圈故障、内圈故障四种类型的时域信号；步骤A2：对每组时域信号的各个样本进行迭代滤波分解，从各样本中得到包含不同时间尺度的本征模态分量；步骤A3：对每个样本前K个本征模态分量计算相对能量和排列熵；步骤A4：计算每组时域信号的时域特征；步骤A5：利用堆叠稀疏自动编码器SSAE对上述特征进行降维，将降维的结果作为故障特征；步骤A6：利用蝙蝠算法优化极限学习机BA‑ELM实现滚动轴承工作状态和故障类型的识别；本发明可以解决常用的信号处理方法缺乏足够的鲁棒性，数据降维方法难以保留最有效的特征以及不同故障程度分类精度低等问题。

主权项

1.一种基于SSAE和BA-ELM的滚动轴承故障诊断方法，其特征在于：所述诊断方法包括以下步骤；/n步骤A1：采集滚动轴承正常、滚动体故障、外圈故障、内圈故障四种类型的时域信号，确保采集得到的时域信号中，每种类型信号有N个样本，每个样本有n个数据采样点；/n步骤A2：对每组时域信号的各个样本进行迭代滤波分解，从各样本中得到包含不同时间尺度的本征模态分量；/n步骤A3：选取每个样本前K个本征模态分量，对每个分量计算相对能量和排列熵；/n步骤A4：计算每组时域信号的时域特征，所述时域特征包含有量纲指标和无量纲指标；有量纲指标为：均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值和峰峰值；无量纲指标为：波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；/n步骤A5：利用堆叠稀疏自动编码器SSAE对上述特征进行降维，将降维的结果作为故障特征；/n步骤A6：以故障特征为待识别数据，利用蝙蝠算法优化极限学习机BA-ELM实现滚动轴承工作状态和故障类型的识别。/n