10.3969/j.issn.1006-1355.2023.05.024
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
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%.
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
43
TH133.33;TP206+.3
2023-10-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
154-160