134-细粒度多尺度符号熵和鲸鱼优化算法的滚动轴承故障诊断技术MSVM

 

 

 

 

 134-细粒度多尺度符号熵和鲸鱼优化算法的滚动轴承故障诊断技术MSVM

 

滚动轴承故障诊断技术中的“细粒度多尺度符号熵”（Fine-Grained Multiscale Symbolic Entropy, FGMSE）与“鲸鱼优化算法”（Whale Optimization Algorithm, WOA）结合“多分类支持向量机”（Multi-class Support Vector Machine, MSVM）是一种先进的智能故障诊断方法。该方法主要通过提取非线性动力学的故障特征，并优化分类器参数，来实现对滚动轴承不同故障类型的高精度识别与分类。

 

这项技术的核心思想是利用细粒度多尺度符号熵从复杂的振动信号中提取出对故障敏感的特征，再通过鲸鱼优化算法优化MSVM的关键参数，最终构建一个高性能的分类模型，从而准确判断滚动轴承的健康状态。

 

 

传统的符号序列熵（Symbol Sequence Entropy, SSE）主要分析时间序列数据的增减变化模式，但它容易受到噪声干扰，并且在提取轴承性能退化特征时存在熵值差异不明显的问题。为了克服这些局限性，细粒度多尺度符号熵进行了重要改进：

 

· 符号化方法改进：将原本由幅值增减决定符号的方法，改进为由时间序列差值与阈值之间的大小关系来决定符号。这种改进有效提高了算法的抗噪能力。

· 引入多尺度分析：通过在多个时间尺度上分析符号序列的熵值，能够更全面地捕获信号中的故障信息，特别是在不同工况下轴承故障分类精度显著提高。

· 权重因子优化：通过选择最佳权重因子与阈值因子相结合，实现最佳阈值的选取，使得正常的轴承振动信号特征控制在一个较小的范围区间内，便于异常检测。

 

 

1. 信号预处理：对原始振动信号进行滤波和去噪处理，例如采用小波降噪方法。

2. 多尺度分析：通过粗粒化过程将时间序列分解到多个尺度上。针对传统多尺度熵类方法（如多尺度熵MSE、多尺度散布熵MDE）在粗粒化过程中易发生信息丢失、产生虚假信息的问题，FGMSE引入了精细复合多尺度处理方式，将其粗粒化过程中平均值替换为最大值来表示数据段信息，以突出故障特征。

3. 符号化处理：将每个尺度上的时间序列转换为符号序列。改进的符号化方法不仅考虑数据的增减变化，更关注时间序列差值与阈值间的大小关系，从而提高抗噪能力。

4. 熵值计算：计算每个尺度上符号序列的熵值，并通过归一化操作减弱不同参数选择导致的熵值波动幅度，得到稳定可靠的特征指标。

5. 特征向量构建：将多个尺度上的熵值组合成特征向量，作为故障诊断的输入特征。