[发明专利]基于CEEMD能量熵和优化PNN的轴承故障诊断方法

权利要求书

1.一种基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，包括以下步骤：

S1、采集不同故障状态下的轴承振动信号；

S2、采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量；

S3、计算所述本征模态分量和所述轴承振动信号数据的相关系数并进行筛选处理，获得有效本征模态分量；

S4、提取所述有效本征模态分量的能量熵，组成特征向量矩阵；

S5、构建概率神经网络模型，将所述特征向量矩阵输入所述概率神经网络模型，训练优化所述概率神经网络模型，获得概率神经网络轴承故障诊断模型；

S6、将所述特征向量矩阵输入所述概率神经网络轴承故障诊断模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型，完成改进麻雀搜索算法优化概率神经网络故障识别和分类；获得改进麻雀搜索算法优化概率神经网络轴承故障诊断模型的方法包括：利用改进的Logistic混沌映射随机性、遍历性的特点，优化麻雀种群的初始化条件；计算每个麻雀适应度值并进行排序，选出当前最优适应度和其对应位置，以及最差适应度值和其对应位置；经过一次迭代完成后，重新计算每只麻雀的适应度值，根据麻雀种群当前的状态，更新整个种群的最优位置和其适应度，以及最差位置和最差位置的适应度；还包括引入t分布策略，解的最优位置使用扰动算子得到新解，计算原来种群和新变异种群的个体适应度值，分别确定变异前后两个种群的最优解，记录相应位置。

2.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S2中采用互补集合经验模态分解算法将所述轴承振动信号进行分解处理，获得本征模态分量的方法包括：

S2.1、设置高斯白噪声组数，利用随机函数获得高斯白噪声；

S2.2、在所述轴承振动信号中添加一对符号相反、幅值相等的高斯白噪声，得到两串新的轴承振动信号；

S2.3、对所述两串新的轴承振动信号分别进行经验模态分解，得到两组本征模态分量；

S2.4、计算次数以1为单位迭代重复所述S2.2和所述S2.3，直到计算次数为所述高斯白噪声组数；

S2.5、分解高斯白噪声组数次后，将所有本征模态分量的集成平均值，获得本征模态分量。

3.如权利要求2所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S3中获得有效本征模态分量的方法包括：

将所述本征模态分量进行排列，通过计算所述本征模态分量与所述轴承振动信号数据的相关系数，筛选出所述有效本征模态分量。

4.如权利要求3所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S4中提取所述有效本征模态分量的能量熵，组成特征向量矩阵的方法包括：

基于筛选后的所述有效本征模态分量，获取所述有效本征模态分量的总能量，计算各有效本征模态分量的能量占总能量的比例，获得各有效本征模态分量的能量熵，提取轴承不同故障状态的振动信号的有效本征模态分量的能量熵，组成轴承故障特征向量矩阵。

5.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，所述S5中构建概率神经网络模型包括：

所述概率神经网络模型包括输入层、模式层、求和层和输出层；

所述输入层接收所述轴承振动信号，所述特征向量矩阵中的特征向量与所述有效本征模态分量的能量熵相对应；

所述模式层计算输入所述特征向量与所述轴承振动信号匹配，获取神经元数量，所述模式层通过连接权重连接所述输入层；

所述求和层中的神经元数量与模式层的总数相同，所述求和层中的神经元与所述模式层中相应的神经元连接；

所述输出层由与所述求和层中数量相同的竞争神经元组成。

6.如权利要求1所述的基于CEEMD能量熵和优化PNN的轴承故障诊断方法，其特征在于，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型包括：采用改进的麻雀搜索算法对概率神经网络的平滑因子进行优化，获得最优化的平滑因子输入到概率神经网络模型，构建由改进麻雀搜索算法优化的概率神经网络故障诊断模型。