Noise and Vibration Control ›› 2023, Vol. 43 ›› Issue (5): 154-160.

Previous Articles     Next Articles

Bearing Fault Diagnosis Method Based onWavelet Packet Dispersion Entropy-mRMR Feature Selection and HHO-KELM

  

  • Received:2022-03-29 Revised:2022-06-25 Online:2023-10-18 Published:2023-01-13

基于小波包散布熵-mRMR特征选取与HHO-KELM的轴承故障诊断方法

宋明瑞郭佑民刘运航郭啸   

  1. ( 兰州交通大学机电技术研究所,兰州730070 )

摘要: 针对3 层小波包分解(Wavelet Packet Decomposition,WPD)忽略了1 和2 层分解信号以及核极限学习机(Kernel Extreme Learning Machine,KELM)参数选择困难的问题,提出一种基于小波包散布熵-mRMR 特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3 层的14 个小波包散布熵(Dispersion Entropy,DE)应用最大相关最小冗余算法(max-relevance and min-redundancy,mRMR)进行特征排序,确定最佳向量维度;然后应用哈里斯鹰优化算法(Harris Hawks Optimization,HHO)实现对KELM参数的优化;最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明,将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合,可实现故障诊断过程中对分解信号的充分利用,与将只用到第3 层分解信号的小波包散布熵输入到KELM的故障分类方法相比,识别准确率提高11.38 %。

关键词: 故障诊断, 滚动轴承, 小波包散布熵, 最大相关最小冗余, 特征选取, 核极限学习机