哈尔滨理工大学电子信息硕士学位论文
基于RCMAFDE和CSSOA-KELM的滚动轴承故障诊断
方法研究及验证
摘要
滚动轴承是旋转机械的关键组成部件，其工作状态直接影响系统的整体性
能。基于振动信号的滚动轴承故障诊断方法主要包括故障特征提取和故障识别
两个关键步骤。由于滚动轴承振动信号存在非线性和非平稳特性，导致无法有
效提取振动信号中蕴含的故障特征和故障识别分类器参数设置影响故障诊断模
型准确率的问题。因此，本文研究了一种基于振动信号的滚动轴承故障诊断方
法，主要研究内容如下。
传统多尺度熵算法作为特征提取算法时，随着尺度因子的增加，粗粒化过
程会导致时间序列的长度缩短，得到的熵值不稳定影响特征提取的效果。为解
决此问题，本文提出了一种基于精细复合滑动平均波动离散熵（RCMAFDE）
的振动信号特征提取方法。该方法在对振动信号进行精细复合操作的基础上，
使用滑动平均解决了粗粒化过程中未能充分考虑相邻元素之间的关系而导致的
部分特征信息丢失所引起的不同尺度因子下熵值计算不稳定的问题，并结合波
动离散熵的抗干扰性能，提高了故障特征提取效果。
故障诊断分类模型的参数选择决定了滚动轴承故障诊断模型的整体性能。
本文提出了一种基于混沌麻雀优化的核极限学习机（CSSOA-KELM）模型，利
用CSSOA算法搜索性强和避免陷入局部最优的能力，优化KELM模型的核函数
和正则化系数，提升滚动轴承故障识别准确性。模型利用滚动轴承振动信号的
RCMAFDE特征对KELM分类器进行建模，具有更高的稳定性和更强的泛化性。
为了验证本文提出的滚动轴承故障诊断方法的有效性，分别采用两个公开
数据集和一个自采数据集进行实验验证。实验结果表明，在不同的数据集下，
本文提出滚动轴承故障诊断模型能够有效地提取振动信号中的故障信息并实现
故障类别识别，具有较高的故障识别准确率。
关键词滚动轴承；故障诊断；RCMAFDE；KELM；混沌麻雀优化算法
-I-
哈尔滨理工大学电子信息硕士学位论文
ResearchandValidationofRollingBearingFault
DiagnosisMethodBasedonRCMAFDEand
CSSOA-KELM
Abstract
Rollingbearingisakeycomponentofrotatingmachinery,anditsworkingstate
directlyaffectstheoverallperformanceofthesystem.Thefaultdiagnosismethodof
rollingbearingbasedonvibrationsignalmainlyincludestwokeysteps:faultfeature
extractionandfaultrecognition.Becausethevibrationsignalofrollingbearinghas
nonlinearandnon-stationarycharacteristics,thefaultcharacteristicscannotbe
extractedeffectivelyandthefaultidentificationclassifierparametersaffectthefault
identificationaccuracy.Inthispaper,afaultdiagnosismethodofrollingbearing
basedonvibrationsignalisstudied.Themainresearchcontentsareasfollows.
Whenthetraditionalmulti-scal