技术特征：
1.一种基于灰狼算法优化elm的中介轴承故障诊断方法，其特征在于，包括：步骤1：采集轴承的振动信号；步骤2：采用ceemdan算法对采集得到的轴承振动信号进行分解，分解得到不同的imf分量；步骤3：结合峭度值、相关系数和多尺度排列熵这三个参数，对分解后的imf分量进行筛选，并对筛选后的分量进行线性重构；步骤4：提取步骤3重构所得到的信号的时域特征及频域特征，作为极限学习机的输入；步骤5：采用灰狼算法gwo优化极限学习机elm的输入层与隐含层的权值及隐含层阈值，得到优化后的极限学习机；步骤6：提取待诊断振动信号的时域特征及频域特征，利用经灰狼算法优化后的极限学习机进行故障诊断。2.根据权利要求1所述的一种基于灰狼算法优化elm的中介轴承故障诊断方法，其特征在于，所述步骤3包括：步骤3.1：计算各imf分量的峭度值k：其中，x为imf分量的振幅；μ为imf分量振幅的平均值；步骤3.2：计算各imf分量与原始信号的皮尔逊相关系数r：步骤3.3：计算各imf分量的多尺度排列熵系数ε：步骤3.4：对计算得到的峭度值k、相关系数r和多尺度排列熵系数ε进行加权求和，得到综合筛选指标值krε：krε＝a1k+a2r+a3ε其中，a1、a2、a3分别为imf分量的峭度值、相关系数和多尺度排列熵的权重值；步骤3.5：对各imf分量的综合筛选指标值krε进行从大到小排序，筛选出最大的前n个imf分量；步骤3.6：对筛选出的imf分量进行重构。3.根据权利要求1所述的一种基于灰狼算法优化elm的中介轴承故障诊断方法，其特征在于，所述步骤4中所述时域特征及频域特征包括：最大值、最小值、峰值、峰峰值、均值、平均幅值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、波峰因子、脉冲因子、裕度因子、余隙因子、平均频率、重心频率、频率均方根、频率标准差。4.根据权利要求1所述的一种基于灰狼算法优化elm的中介轴承故障诊断方法，其特征在于，所述步骤5包括：步骤5.1：初始化灰狼位置，以初始化的灰狼位置作为极限学习机的输入层与隐含层的权值及隐含层阈值获得初始故障诊断错误率；步骤5.2：初始化灰狼算法的种群数量、进化代数以及收敛因子a和系数向量a、c：
a＝2a
×
r
1-ac＝2r1其中：t是迭代次数；t
max
是最大迭代次数；r1和r2的模为[0,1]区间内的随机数；步骤5.3：把极限学习机诊断得到的平均错误率作为灰狼算法的优化目标，计算每个灰狼的适应度值，同时保存适应度较大的前三个灰狼的参数；步骤5.4：更新各灰狼的位置；步骤5.5：更新a、a、c；步骤5.6：计算全部灰狼的适应度值，同时更新适应度较大的前三个灰狼的适应度和位置；步骤5.7：判断是否达到最大的迭代次数，如果达到则结束寻优迭代过程；如果未达到则返回执行步骤5.4至步骤5.7继续寻优迭代过程，直到迭代结束输出最优的输入层与隐含层的权值及隐含层阈值；步骤5.8：根据步骤5.7输出的最优输入层与隐含层的权值及隐含层阈值构建优化后的极限学习机。
技术总结
本发明提出了一种基于灰狼算法优化ELM的中介轴承故障诊断方法，该方法首先利用CEEMDAN对振动信号传感器采集到的振动信号进行分解，并使用峭度值-相关系数-多尺度排列熵对经分解后的IMF分量进行筛选，将筛选后的信号线性重构为一个新的信号；再提取重构信号的时域及频域特征构成特征矩阵；然后利用灰狼算法优化极限学习机的输入层与隐含层之间的权值和隐含层阈值，利用优化后的极限学习机进行中介轴承的故障诊断。该方法能够有效抑制振动信号中的背景噪声干扰，有效的诊断中介轴承故障类型表现出了较强的泛化能力。障类型表现出了较强的泛化能力。障类型表现出了较强的泛化能力。
技术研发人员：栾孝驰 张席 沙云东 郭小鹏 赵奉同 赵新华
受保护的技术使用者：沈阳航空航天大学
技术研发日：2022.04.24
技术公布日：2022/6/30