关键词：旋转机械;故障诊断;齿轮箱;离心泵;复合多元多尺度波动散布熵;哈里斯鹰优化极限学习机
摘 要：采用单一传感器采集的振动信号难以准确描述旋转机械动态特性，导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷，提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先，引入复合多元粗粒化处理，提出了CMMFDE方法，避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷，增强了故障特征的表征性能；随后，利用布置在旋转机械不同部位的传感器收集了多种类型的信号，组成混合多通道信号，并进行了CMMFDE分析，构建了故障特征；最后，采用HHO对极限学习机的参数进行了自适应优化，并对特征样本进行了训练和测试，完成了旋转机械的故障识别工作；利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明：该方法对多个通道的信号进行分析时，所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率，同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取