基于小波包分解权值模糊熵与ELM的轴承故障分类方法及装置与流程

技术特征：
1.一种基于小波包分解权值模糊熵与elm的轴承故障分类方法，其特征在于，包括以下步骤：(1)预先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号；(2)对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值；(3)将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于elm神经网络的训练，使elm神经网络能够识别滚动轴承的正常和故障状态。2.根据权利要求1所述的基于小波包分解权值模糊熵与elm的轴承故障分类方法，其特征在于，所述步骤(1)包括以下步骤：(11)根据转速信号ω转/分，振动数据采样频率f，计算基准序列数据个数l:其中，round(.)向下取整函数；c在1至5之间取值；(12)以基准序列数据个数l，对滚动轴承振动时间序列数据z(k)进行切分，形成序列组z：z＝{z1,z2,
…
,z
i
,
…
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，每个样本z
i
包括l个数据，其起始数据为原始时间序列的第(i
‑
1)
×
l 1个数据；随着测量的持续，序列组z持续扩展；(13)对各个z
i
用db5小波进行3层分解得到重构后的8个频段在时域上的特征信号。3.根据权利要求1所述的基于小波包分解权值模糊熵与elm的轴承故障分类方法，其特征在于，所述步骤(2)包括以下步骤：对给定的有限长度时序信号z＝[u(1),u(2),...,u(l)]，定义相空间维数m(m≤l
‑
2)和相似容限度r，重构空间为x(i)＝[u(i),u(i 1),...,u(i m
‑
1)]
‑
u0(i)，i＝1,2,
…
,l
‑
m 1；其中，引入模糊隶属函数对于i＝1,2,
…
,l
‑
m 1，计算且i≠j；其中，为窗口向量x(i)和x(j)之间的最大绝对距离；求对每个i的平均值定义
则有限长度时序信号的模糊熵为：fe(m,r,l)＝lnφ
m
(r)
‑
lnφ
m 1
(r)；考虑到模糊熵越大代表对应时间序列的混乱程度越大，即在原滚动轴承时域信号中对应部分的变化越大，对每个样本计算得到的8个模糊熵进行加权；令以样本z
i
计算得到的8个模糊熵为fe
i
(a)，a＝1,2,
…
,8；则可令单个模糊熵的权值为由此便得到了各个样本的8个权值模糊熵作为对应样本的特征值。4.根据权利要求1所述的基于小波包分解权值模糊熵与elm的轴承故障分类方法，其特征在于，所述步骤(3)实现过程如下：将步骤(2)获取的特征值作为输入值，其维数为1
×
8；将正常状态的样本特征值的分类属性标记为1，故障状态的样本特征值的分类属性按种类分别标记为2、3、4
……
n；将分类属性作为对应样本的期望输出；以输入值和期望输出进行elm神经网络的训练，得到使能够识别滚动轴承正常和故障状态的elm神经网络。5.一种采用如权利要求1
‑
4任一所述方法的基于小波包分解权值模糊熵与elm的轴承故障分类装置，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；所述计算机程序被加载至处理器时实现根据权利要求1
‑
4任一项所述的基于小波包分解权值模糊熵与elm的轴承故障分类方法。

技术总结
本发明公开一种基于小波包分解权值模糊熵与ELM的轴承故障分类方法及装置，首先获取滚动轴承在正常和故障状态下驱动端加速度的时间序列数据，通过小波包分解得到该时间序列数据各频段在时域上的特征信号；然后，对特征信号进行权值模糊熵计算，得到滚动轴承在正常和故障状态下的各组特征值；最后，将滚动轴承在正常和故障状态下的各组特征值进行分类标记并合并，用于ELM神经网络的训练，使ELM神经网络能够识别滚动轴承的正常和故障状态。本发明减小了ELM神经网络训练的计算量以及训练时间，计算相对方便，且故障分类采用故障标签，显示直观便于观察；且可以用于多种机器学习的人工智能方法进行故障诊断，拓展性好。拓展性好。拓展性好。


技术研发人员：王一凡 刘剑慰 戴志浩 邢健豪 杨蒲
受保护的技术使用者：南京航空航天大学
技术研发日：2021.09.10
技术公布日：2021/12/13