

仪器与设备|基于SSA-CMBE和PO-ELM的滚动轴承故障诊断方法

汉斯出版社

2025-03-05

导读：关注汉斯出版社公众号联系小编即可投稿，还可获取最新论文模板！

导读：

针对轴承故障特征易受外部噪声影响，进而导致诊断效果不佳的问题，提出了一种基于奇异谱分析(SSA)-复合多尺度气泡熵(CMBE)以及由美洲狮算法(PO)优化的极限学习机(ELM)的滚动轴承故障诊断方法。首先，通过SSA对滚动轴承信号进行奇异值分解(SVD)，得到多个本征模态分量(IMF)，计算各个分量的皮尔逊相关系数，筛选出相关系数较大的IMF分量进行重构并计算各分量的复合多尺度气泡熵作为特征向量。然后通过美洲狮算法优化ELM的权值和阈值，得到基于PO-ELM的诊断模型。最后将得到的特征向量导入PO-ELM诊断模型，对故障特征进行识别。实验表明，PO-ELM的故障识别准确率达到99.17%，相较于其他方法，该方法在诊断滚动轴承故障中具有更高的识别精度和有效性。

基本信息：

基于SSA-CMBE和PO-ELM的滚动轴承故障诊断方法

The Rolling Bearing Fault Diagnosis Method Based on SSA-CMBE and PO-ELM

作者：

廖进蔚, 洪滨, 陈泓宇：长江大学电子信息与电气工程学院，湖北荆州

关键词:

滚动轴承；故障诊断；复合多尺度气泡熵；美洲狮算法；极限学习机；奇异谱分析

项目基金：

国家自然科学基金资助项目(42174189, 61572084)

原文链接：

https://doi.org/10.12677/iae.2024.124090

内容简介：

在汉斯出版社《仪器与设备》期刊上，有论文提出了一种基于SSA-CMBE和PO-ELM的滚动轴承故障诊断方法。

奇异谱分析(Singular Spectrum Analysis, SSA)是一种处理非线性时间序列数据的方法。近年来常应用于信号处理领域，通过对所要研究的故障信号进行分解、重构等操作得到多个更加准确的IMF分量。

相关关系指的是两个或多个变量之间的取值存在一定的规律或联系，其目的是揭示数据中的潜在关系网。通过SSA对故障信号进行分解得到若干IMF分量，计算各分量与原始信号的皮尔逊相关系数。

气泡熵(BE)是一种几乎不需要进行参数选择的方法。多尺度熵是一种在数据分析中广泛应用的工具，特别是用来衡量时间序列的复杂性。它通过在不同时间尺度上计算熵值，刻画出数据在各个尺度上的复杂性特征，从而揭示出隐藏在数据中的信息。时间尺度的变化有助于我们捕捉数据在不同细节层次上的模式，从而更加全面地理解时间序列的特性。复合多尺度熵在此基础上进一步拓展，通过对粗粒序列的处理，能够更精确地刻画出时间序列的多重复杂性。

通过对粗粒序列的分析，复合多尺度熵可以揭示系统内部不同子系统之间的耦合关系，帮助分析这些子系统在不同时间尺度上的互动模式。这种分析方法不仅可以评估系统的复杂性，还能有效地揭示其同步性，为故障预测和健康监测提供了重要依据。图1展示了对于红噪声信号在不同尺度下MBE和CMBE值的分布情况。

美洲狮优化算法(Puma Optimizer, PO)是一种全新的元启发式算法，其设计灵感来源于美洲狮的生存智慧与行为模式。其算法主要包含无经验阶段、有经验阶段、勘探阶段和开发阶段4部分。

为了验证PO算法的性能，将PO算法分别与WOA、PSO、DE、GA进行对比，使用几种标准测试函数进行测试，设置迭代次数设为1000，种群数量设为30，得到不同测试函数的收敛曲线如图2所示。可以看到PO相较于其他算法收敛速度更快，并且有更高的优化精度。算法的执行流程如图3所示。

ELM (极限学习机)是一种前馈神经网络模型，通过随机初始化输入权值和阈值，进而计算得到相应的输出权值。

基于SSA-CMBE和PO-ELM的故障诊断流程如下：

1) 选取转速为1797的4种故障作为输入设备的故障信号。

2) 通过SSA对输入信号进行奇异值分解，得到多个IMF分量，并计算各个分量的皮尔逊相关系数，筛选出相关系数较大的IMF分量进行重构。

3) 计算重构信号的复合多尺度气泡熵，构造CMBE特征。每种故障的CMBE特征120组，4种故障类型，共480组CMBE特征。每种故障类型选取90组CMBE特征作为训练集，其余30组作为测试集，并对其使用标签标记。

4) 采用PO算法优化ELM模型中的输入层到隐藏层的权重w以及隐藏层的偏移值b。设置最大迭代次数T以及种群数量pop，将训练集的错误率作为适应度函数。

5) 设置PO的初始化参数以及加权因子PF用于控制探索和开发之间的平衡。计算种群个体的初始适应度值并进行排序。根据公式计算探索和开发的评分，比较二者值的大小，选择进入开发或者探索阶段，并更新相应的参数和最优解。在每次迭代结束后，重新计算探索和开发阶段的评分。通过对探索和开发两个阶段的动态调整，逐步逼近最优解。

6) 将含有CMBE值特征的训练集导入经过PO算法优化相关参数的ELM模型中进行训练，并使用测试集预测轴承的故障情况，进行分类，最后根据标签验证分类的准确率。

结论

1) 通过SSA算法对故障信号进行重构，提升振动信号的信噪比，并将重构后的信号计算其CMBE值，作为信号的特征向量，相比较于传统的熵值，CMBE可以更精准地提取滚动轴承的故障特征。

2) 选择PO算法优化极限学习机，解决了ELM权值和阈值的随机生成问题从而提高了分类的精度，构建了PO-ELM的故障诊断模型。

3) 将带有CMBE特征向量的训练集导入诊断模型进行训练和测试，分别与PSO、WOA和DE算法优化ELM的模型结果相对比，实验结果表明本文提出的基于SSA-CMBE和PO-ELM的故障诊断模型有更高的识别准确度，可更为精确地监测滚动轴承存在的故障，并保证轴承的平稳运行。

1.张赟, 方旭萌, 杨栋, 斯彦刚. 基于谱峭度的滚动轴承故障诊断方法研究[J]. 机械工程与技术, 2016, 5(3): 195-199. http://dx.doi.org/10.12677/MET.2016.53023

2.刘程辉. 基于PSO-VMD的滚动轴承故障诊断方法[J]. 建模与仿真, 2025, 14(1): 1359-1370. https://doi.org/10.12677/mos.2025.141122

3.陈子浩, 李仁旺. 基于改进卷积神经网络的滚动轴承故障诊断模型[J]. 建模与仿真, 2024, 13(1): 183-193. https://doi.org/10.12677/MOS.2024.131018

4.高程远. 基于融合注意力的卷积神经网络滚动轴承故障诊断模型[J]. 建模与仿真, 2024, 13(5): 5503-5512. https://doi.org/10.12677/mos.2024.135498

5.袁燕红, 白静国, 王永帅. 基于小波包降噪与VMD的滚动轴承故障特征提取方法[J]. 机械工程与技术, 2019, 8(2): 118-124.

https://doi.org/10.12677/MET.2019.82015

所属期刊

-Instrumentation and Equipments-

《仪器与设备》是一本开放获取、关注仪器与设备领域最新进展的国际中文期刊，主要刊登仪器与设备领域基础研究及应用的原始性研究成果及前沿报道、学者讨论和专业评论等多方面的论文。本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论该领域内不同方向问题与发展的交流平台。