基于分数阶散度熵和改进鹈鹕算法优化ELM的轴承故障诊断方法
米振涛
杨衍帅
朱国庆
宋玉玺
张瑞丰
刘冰
中国机械总院集团青岛分院有限公司,青岛 266300
摘要：[目的]针对滚动轴承故障诊断中极限学习机(Extreme Learning Machine,ELM)分类性能不足、参数选择敏感性强的问题,提出一种基于分数阶散度熵与改进鹈鹕优化算法(Improved Pelican Optimization Algorithm,IPOA)的ELM优化方法,以提升轴承故障诊断的准确率与效率.[方法]首先,采用分数阶散度熵处理轴承振动信号,提取表征故障状态的熵值特征,实现故障信息的深度挖掘;其次,引入Tent混沌映射、自适应权重与黄金正弦策略改进鹈鹕优化算法,提升算法全局搜索能力与收敛速度;然后,利用改进算法优化ELM关键参数,降低参数敏感性对分类性能的影响;最后,基于两组公开轴承数据集开展多组对照试验,完成方法性能验证.[结果]结果表明,改进鹈鹕优化算法在单峰与多峰测试函数中均表现出更优的寻优性能;所提IPOA-ELM模型轴承故障诊断总体准确率最高达92.2%,较基础ELM模型提升7.75个百分点,分类准确率稳定在90%以上,为旋转机械故障诊断工程应用提供参考.
关键词：散度熵分数阶散度熵鹈鹕优化算法极限学习机故障诊断
分类号：TP18(自动化基础理论)TH133.33(机械零件及传动装置)
论文发表日期：2026-07-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：10( 175-184 )
英文信息