２０２３年第４２卷４月第４期机械科学与技术ＭｅｃｈａｎｉｃａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙｆｏｒＡｅｒｏｓｐａｃｅＥｎｇｉｎｅｅｒｉｎｇＡｐｒｉｌＶｏｌ．４２２０２３Ｎｏ．４ｈｔｔｐ：／／ｊｏｕｒｎａｌｓ．ｎｗｐｕ．ｅｄｕ．ｃｎ／收稿日期：２０２１０１１４基金项目：国家自然科学基金项目（５１６６５０１３，５１８６５０１０）与江西省教育厅科学技术研究项目（２００６１６，１９１３２７）作者简介：张龙（１９８０－），教授，博士，研究方向为故障诊断、智能算法，ｌｏｎｇｚｈ＠１２６．ｃｏｍ张龙，彭小明，熊国良，等．ＣＭＷＰＥ结合ＳａＥ⁃ＥＬＭ的轮对轴承故障诊断方法［Ｊ］．机械科学与技术，２０２３，４２（４）：５１２⁃５２０ＣＭＷＰＥ结合ＳａＥ⁃ＥＬＭ的轮对轴承故障诊断方法张龙１，彭小明１，熊国良１，吴荣真１，胡俊锋２（１．华东交通大学机电与车辆工程学院，南昌３３００１３；２．中国铁路南昌局集团有限公司科学技术研究所，南昌３３０００２）摘要：针对ＤＦ４型内燃机车轮对轴承不同故障状态的判别问题，提出了一种基于复合多尺度加权排列熵（Ｃｏｍｐｏｓｉｔｍｕｌｔｉｓｃａｌｅｗｅｉｇｈｔｅｄｐｅｒｍｕｔａｔｉｏｎｅｎｔｒｏｐｙ，ＣＭＷＰＥ）和自适应进化极限学习机（Ｓｅｌｆ⁃ａｄａｐｔｉｖｅｅｖｏｌｕｔｉｏｎａｒｙｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅ，ＳａＥ⁃ＥＬＭ）的机车轮对轴承故障识别方法。ＣＭＷＰＥ基于复合粗粒化和加权排列熵的思想，能很好地区分信号的不同模式。ＳａＥ⁃ＥＬＭ通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化，解决了ＥＬＭ随机选取网络参数的局限性，提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的ＣＭＷＰＥ，利用ＳａＥ⁃ＥＬＭ识别轴承所属故障类型及故障程度。在机务段的ＪＬ⁃５０１轴承检测台上采集了７种不同健康状态的轮对轴承试件的振动信号数据。结果表明：ＣＭＷＰＥ特征提取效果优于ＭＰＥ和ＭＷＰＥ；ＳａＥ⁃ＥＬＭ模式识别效果优于参数不经优化的ＥＬＭ。所提方法能够有效诊断机车轮对轴承的不同故障，且故障识别率达到１００％。关键词：机车轮对轴承；故障诊断；特征提取；模式识别；复合多尺度加权排列熵；自适应进化极限学习机中图分类号：ＴＨ１３３.３３；ＴＨ１６５＋．３文献标志码：ＡＤＯＩ：１０．１３４３３／ｊ．ｃｎｋｉ．１００３⁃８７...
