基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题,提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法：通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构,实现信号降噪;通过粒子群算法（PSO）对MPE进行优化,提出PSO-MPE特征提取方法,参数优化后的MPE能够提取更为关键的特征信息;将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象,将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析,结果表明改进方法的分类准确率和效率更高,在T-SNE可视化下的分类效果更明显,能够实现滚动轴承故障的高精度和高效率检测。