[发明专利]一种改进灰狼优化DBN-ELM的亚健康状态识别方法

说明书

一种改进灰狼优化DBN‑ELM的亚健康状态识别方法，步骤为：(1)信号采样；(2)降噪处理；(3)特征选择；(4)数据归一化处理；(5)亚健康状态识别。本发明设计并实现一种改进灰狼优化DBN‑ELM的亚健康状态识别方法。针对灰狼算法全局与局部搜索能力不均衡问题，将灰狼算法本身的线性收敛因子改进成非线性收敛因子以此来平衡搜索能力，同时通过引用自适应权重策略提升算法收敛速度；然后采用小波阈值降噪算法和时域特征处理轴承数据；最后将处理后数据输入改进灰狼算法优化的DBN‑ELM模型中进行训练测试。实验结果表明：本发明方法在故障诊断方面，能够满足用户所设定功能和性能需求，具有较高的亚健康识别精度，较好的鲁棒性和泛化能力，具备良好的工业应用前景。

技术领域

本发明涉及一种亚健康状态识别算法，尤其是一种改进灰狼优化DBN-ELM的亚健康状态 识别方法。

背景技术

近年来，随着工业设备朝着自动化、智能化方向不断发展，设备亚健康状态识别备受关 注。“亚健康”即一种带病的状态，是一种早期微小故障状态。此时，机械设备还可以带病 运行，若不能及时发现此状态，可能会引发大型故障，导致设备停工，进而不仅影响工厂效 益，还会严重威胁工人生命安全。因此，监测轴承是否处于亚健康状态至关重要。资料表明，约30％的工业设备故障由滚动轴承引起。显然，对滚动轴承早期故障监测可为设备亚健康状态识别提供重要的依据。

发明内容

为了解决上述存在的问题，本发明提供一种改进灰狼优化DBN-ELM的亚健康状态识别方 法。

为实现上述目的，本发明创造提供如下技术方案：一种改进灰狼优化DBN-ELM的亚健康 状态识别方法，其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz 的轴承数据；

2)降噪处理：采用小波阈值降噪法，选取小波基函数为db5，分解层数为5，对每层高 频小波系数做阈值量化处理，通过极大极小准则阈值函数对轴承时域信号进行软阈值去噪处 理，根据式(1)计算阈值:

其中，T为阈值，σ为噪声标准差，N为信号长度；

3)特征选择：计算k阶中心矩，偏度，峰度，峰度因子，波形因子，脉冲因子，裕度 因子等时域特征参数，将其作为时域特征向量；

4)数据归一化处理：将时域特征向量通过归一化处理得到最终数据作为模型输入，利 用小波阈值降噪得到的数据经过特征选取得到特征向量转化为(0,1)区间范围的数据，所用 公式为式(2)：

其中：X*是归一化后的结果，X表示样本集中的原数据，min表示样本集X中的最小数据，max表示样本集X中的最大数据；

5)亚健康状态识别：

5.1)设置种群数量、迭代的最大次数等相关参数；

5.2)初始化A、C和a等相关参数；

5.3)将数据预处理后得到的特征向量输入DBN-ELM模型进行训练；

5.4)计算种群中每个灰狼个体的适应度值，并对其进行排序，选择前三只狼，分别设 为α狼、β狼和δ狼，记录并保存这三只狼的位置；

5.5)更新除α狼、β狼和δ狼以外的其他灰狼个体的位置；

5.6)更新C、A、a的值；

5.7)重新计算下种群中所有灰狼个体的适应度值并排序，与前一次迭代比较，更新α 狼、β狼、δ狼的适应度值及其相应的位置作为下一代继续寻优，判断是否达到算法结束条 件，即最大迭代次数，若达到设定最大迭代次数，算法停止迭代，输出α狼的位置X_α，否则回到步骤5.4)；