CMWPE结合SaE-ELM的轮对轴承故障诊断方法

作者：张龙; 彭小明; 熊国良; 吴荣真; 胡俊锋

来源：机械科学与技术, 2023, 42(04): 512-520.

DOI：10.13433/j.cnki.1003-8728.20200647

• 机车轮对轴承
• 故障诊断
• 特征提取
• 模式识别
• 复合多尺度加权排列熵
• 自适应进化极限学习机

针对DF4型内燃机车轮对轴承不同故障状态的判别问题，提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想，能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化，解决了ELM随机选取网络参数的局限性，提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明：CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障，且故障识别率达到100%。

• 单位
  华东交通大学机电与车辆工程学院