基于LCLSABO-KELM滚动轴承故障诊断方法研究

作     者：梁山 齐兵 李浩 刘俊 王锴 王军 LIANG Shan;QI Bing;LI Hao;LIU Jun;WANG Kai;WANG Jun

作者机构：沈阳化工大学计算机科学与技术学院辽宁沈阳110142 辽宁省化工过程工业智能化技术重点实验室辽宁沈阳110142 中国科学院沈阳自动化研究所辽宁沈阳110016 中国科学院网络化控制系统重点实验室辽宁沈阳110016 中国科学院机器人与智能制造创新研究院辽宁沈阳110016 

出 版 物：《制造技术与机床》 (Manufacturing Technology & Machine Tool)

年 卷 期：2025年第2期

页      面：17-22页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(92267201,62073313) 辽宁省自然科学基金项目(2022-MS-291) 

主　　题：减法平均优化器 柯西变异策略 莱维飞行策略 轴承故障诊断 Logistic映射 

摘      要：为提高滚动轴承的故障诊断的分类精度,提出一种逻辑斯蒂柯西莱维减法平均优化(Logistic-Cauchy-Levy-subtraction average-based optimization,LCLSABO)算法,该算法融合了混沌(Logistic)映射策略、柯西(Cauchy)变异策略和莱维(Levy)飞行策略,用以优化核极限学习机(kernel extreme learning machine,KELM)的性能。首先,利用混沌映射策略优化减法平均优化算法的种群初始化,增强种群多样性;其次,结合柯西变异策略与莱维飞行策略,改进位移算法,提高全局搜索能力,有效避免陷入局部最优解;最后,采用LCLSABO算法优化KELM的核心参数,建立LCLSABO-KELM模型,对轴承故障进行分类与诊断。试验结果表明,与SABO-KELM模型、SSA-KELM模型、PSO-KELM模型及传统KELM模型相比,LCLSABO-KELM模型的故障诊断分类精度为98.63%,分别提升了0.97%、2.70%、3.90%和11.30%。这表明,该方法能够充分提取故障特征,显著提高故障诊断的分类精度,验证了该模型在滚动轴承故障诊断与分类中的优越性能。