CN115096590B - 一种基于iwoa-elm的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于IWOA‑ELM的滚动轴承故障诊断方法，属于滚动轴承诊断技术领域，首先采用变分模态分解方法对轴承信号处理并提取特征，将不同类型的特征标记标签并划分训练集和测试集，然后在鲸鱼算法的基础上，引入改进TENT混沌映射、反向学习和劣势种群随机交换的初始化种群策略、基于强化学习选择收敛因子、自适应权重和随机跳跃更新策略、t分布‑levy飞行变异策略，最后使用改进鲸鱼算法对极限学习机的输入权重和偏差进行优化，建立IWOA‑ELM模型，对轴承不同工况类型进行分类识别。本发明可以平衡鲸鱼算法全局搜索和局部寻优能力，解决算法容易陷入局部最优的问题，有效提高轴承识别的准确性。

Description

一种基于IWOA-ELM的滚动轴承故障诊断方法

技术领域

本发明涉及一种基于IWOA-ELM的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。

背景技术

滚动轴承是重型旋转机械应用最广泛的部件，恶劣的工作环境使得其成为机械设备中最易损坏的零件之一，轴承故障会造成整个机械设备的停运甚至人员伤亡，进而造成严重的经济损失。因此，对滚动轴承的健康状态进行实时监测和故障诊断具有极其重要的意义。

振动信号包含了丰富的故障信息，滚动轴承故障诊断关键的一步是从振动信号中提取轴承状态信息，由于振动信号通常表现为非线性非平稳的，对有效信息的提取造成了一定的困难。时频分析是一种有效的信号处理方法，变分模态分解是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量(IMF)的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。

极限学习机是一种单层前馈型神经网络，它无需反复调整隐含层参数，但是输入层与隐含层间的连接权值及隐含层的偏置值的随机选择将会影响其稳定性和分类的正确率，利用鲸鱼算法优化隐藏层的权值和偏置能够进一步提高极限学习机的性能。

发明内容

本发明的目的是提供一种基于IWOA-ELM的滚动轴承故障诊断方法，以较短的时间获取尽可能高的故障诊断精确率。

为了实现上述目的，本发明采用的技术方案是：

一种基于IWOA-ELM的滚动轴承故障诊断方法，包括以下步骤：

1)采集滚动轴承在某一种负荷状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号f(t)，确保采集得到的振动信号f(t)中，每组信号有N个样本，每个样本有n个数据采样点；

2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量u_k，同时满足每个本征模态的估计带宽之和最小且各本征模态函数之和等于输入的轴承振动信号f(t)；

3)对步骤2)所得的k个本征模态，计算各本征模态分量的能量熵，并构建高维特征向量，将所述高维特征向量作为故障特征向量输入模型中；

4)通过在鲸鱼算法的基础上应用新的种群初始化方案、改进的种群狩猎策略、强化学习选择收敛因子、t分布-levy飞行变异策略获得改进鲸鱼算法优化极限学习机确定最优的输入权重和偏差，获得IWOA-ELM模型；

5)将高维特征向量划分为训练集和测试集，并输入到IWOA-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态，实现滚动轴承的故障诊断。

本发明技术方案的进一步改进在于：所述步骤2)采用变分模态分解方法对四组轴承的振动信号f(t)数据进行分解，具体包括如下步骤：

假设将轴承振动信号f(t)分解成为k个本征模态u_k，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个本征模态的估计带宽之和最小且所有本征模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：

式中：k为分解的模态个数，为正整数，{u_k}、{ω_k}分别对应分解后第k个模态分量和中心频率，t为时间，δ(t)为狄拉克函数，*为卷积运算符；

为求取上述约束变分问题的最优解，引入Lagrange乘法算子λ和二次惩罚因子α，将约束变分问题转变为非约束变分问题，得到增广函数，即

式中：α为二次惩罚因子，作用是降低高斯噪声的干扰；利用交替方向乘子迭代算法结合Parseval和傅里叶等距变换，优化得到各本征模态分量和中心频率，从而将轴承振动信号f(t)分解为k个本征模态。

本发明技术方案的进一步改进在于：所述步骤3)计算各本征模态分量的能量熵具体包括如下步骤：

原始振动信号f(t)经过迭代滤波分解得到一组IMF分量，计算前k个分量的能量：

其中x_i对应分解后第i个IMF分量在t时刻的能量，E_x为第i个IMF分量的能量，n为总的IMF分量个数，p_i为第i个IMF分量的能量与总能量的比值：

得到能量熵H_en：

本发明技术方案的进一步改进在于：所述步骤4)中，所述改进鲸鱼算法优化极限学习机工作的具体步骤为：

4.1)参数初始化，包括种群大小、最大迭代次数、上界、下界、动态权重最大值和最小值；

4.2)种群初始化，采用改进Tent混沌映射、反向学习和劣势种群随机交换协同使用产生初始化种群，使得初始种群具有一定质量和多样性；

所述改进Tent混沌映射表达式为：

其中，rand(0,1)是[0,1]范围内的随机数，使用改进Tent混沌映射产生初始种群时随机生成，根据上式迭代产生整个种群的初始解；

所述反向学习思想是对原始解执行反向操作，具体表达式为：

x_i＝lb+rand(ub-lb)

x′_i＝lb+ub-x_i

应用反向学习思想对随机生成的NP个初始解X_NP＝{x₁,x₂,...,x_NP}进行反向学习得到NP个反向解X′_NP＝{x′₁,x′₂,...,x′_NP}；

将改进Tent混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，然后根据适应度值排序选出适应度值较小的NP个初始解；

所述劣势种群随机交换为：对所述适应度值较小的NP个初始解，随机选取两个不同个体1和个体2，并对每个个体随机抽取互不重复的K个位置，将个体1的K个位置替换到个体2中，同理对个体2执行同样操作，产生两个新的初始解个体；然后计算每个个体的适应度值并于前NP个较小的初始解比较，选出适应度值较小的NP个初始解；

4.3)改进狩猎方式

当时鲸鱼种群进行收缩捕食，此阶段包括p<0.5时种群进行收缩包围，p≥0.5种群进行螺旋式移动，数学表达式如下：

ω＝e^-10(t/T)

其中a为收敛因子；T为最大迭代次数；t为当前迭代次数；与/>均为随机向量，其取值范围为[0,1]；/>和/>是系数向量；/>是当前最佳鲸鱼个体位置；/>是当前鲸群个体位置，||表示绝对值操作，D表示距离，·是逐元素相乘符号；

当且p<0.5时鲸鱼种群进行随机捕食，采用一种随机跳跃策略来更有效地选择搜索代理；

4.4)强化学习选择收敛因子

Q学习是一种模型无关的强化学习算法，通过代理多步学习求出最大折扣回报的行动，得到最优行动策略；若将收敛因子调整策略看成行动，则鲸鱼个体选择最优调整策略便转化为代理选择最优行动；

4.4.1)设定参数：收敛因子取值范围a_max，a_min；计算Q所需个体进化步数m；折扣因子给γ；算法迭代次数；

4.4.2)对于每个个体，利用以下给定的n个行动产生n个新后代，并设定t＝1

4.4.3)Do while t<m，每个后代个体，利用给定的n个行动产生n个新后代，并利用下式从中保留一个，令t＝t+1

r(a)＝f_p(a)-f_o(a)

其中：f_p(a)为父代鲸鱼个体对应的适应度函数值，f_o(a)为选择行动a后生成的子代鲸鱼个体对应的适应度函数值；

4.4.4)利用下式计算每个进化策略对应的Q，选择使Q最大化的行动所对应的a值为当前a值，同时忽略其他n-1个a值

Q(a)＝r(a)+γQ(a⁽¹⁾)+γ²Q(a⁽²⁾)+…+γ^mQ(a^(m))

其中:a,a⁽ⁱ⁾∈A,且1≤i≤m,参数m控制计算Q值向前看的步数；

4.5)t分布-levy飞行变异策略

采用以迭代次数为t分布的自由度参数的t分布变异算子对解的位置进行扰动，使得算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度；设置t分布变异概率为0.5，针对每只鲸鱼，都生成一个[0,1]的随机数，随机数小于变异概率的鲸鱼为满足变异条件的鲸鱼，执行t分布扰动，具体的位置更新方式如下：

其中，为自适应t分布变异扰动后最优解在第j维的位置，/>为变异扰动前最优解在第j维的位置，t(iteration)为自由度参数为迭代次数地t分布。t分布概率密度函数为：

如果经t分布扰动后的新解适应度值更好，则替换旧的解；否则，保留旧解；

Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行策略，在最优位置附近进行小范围搜索，有效扩大算法的搜索范围，可种群跳出局部最优，这样形成一个新解，若新解的适应度值好于旧解，则替换它；采用Levy飞行的位置更新公式为：

x(t+1)＝x(t)+levy(β)

其中levy(β)是一种生成服从levy分布的随机数的方法；使用正态分布来求解随机数，生成随机数服从levy分布的步骤如下：

其中u服从正态分布，即u～N(0,σ²)，v服从标准正态分布，即v～N(0,1)；σ的取值如下：

一般来说，β的取值范围是1≤β≤3。

本发明技术方案的进一步改进在于：所述步骤5)滚动轴承的故障诊断具体步骤为：

将隐藏层神经元输入权重和偏置作为待优化目标，初始化个体初始值，以极限学习机的错误率为适应度值，将特征集分为训练集与测试集作为极限学习机的输入，求得最小适应度值F_min和群体极值G_best和个体极值P_best；迭代更新最优解、个体极值P_best与群体极值G_best，直到取得最佳适应度值或达到最大迭代次数；求得最优隐藏层权重和偏置；改进鲸鱼算法优化极限学习机对故障特征进行分类。

由于采用了上述技术方案，本发明取得的技术效果有：

本发明在种群初始化阶段采用改进Tent混沌映射和反向学习策略初始化种群，并对劣势种群进行随机交换操作，与现有的随机初始化种群策略相比，能够获得具有一定质量和多样性的初始种群，有利于加快算法收敛速度。

本发明在鲸鱼更新种群位置过程中，引入了强化学习自适应选择收敛因子，可以提高全局搜索的充分性，平衡鲸鱼算法局部挖掘和全局探索的能力。

本发明改进了鲸鱼捕食方式的更新公式，自适应权重和随机跳跃策略能够避免迭代过程中种群多样性降低，使算法具有跳出局部最优解的能力。

本发明在算法最后加入t分布-levy飞行变异策略，通过局部增强操作能够提高算法开发能力，克服算法容易陷入局部最优的问题，从而能够得到更好的最优解。

利用改进后的鲸鱼算法优化极限学习机，提高了故障诊断的准确性。

附图说明

图1为本发明的流程图；

图2为劣势种群随机交换策略示意图；

图3为改进鲸鱼算法流程图；

图4为改进鲸鱼算法优化ELM流程图；

图5为轴承正常状态振动时域信号及变分模态分解结果图；

图6为轴承内圈故障振动时域信号及变分模态分解结果图；

图7为轴承外圈故障振动时域信号及变分模态分解结果图；

图8为轴承滚动体故障振动时域信号及变分模态分解结果图；

图9为本发明IWOA-ELM和ELM预测与实际分类比较图；

具体实施方式

下面结合附图及具体实施例对本发明做进一步详细说明：

一种基于IWOA-ELM的滚动轴承故障诊断方法，如图1所示，包括以下步骤：

1)采集滚动轴承在某一种负荷状态下的正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动信号f(t)，确保采集得到的振动信号f(t)中，每组信号有N个样本，每个样本有n个数据采样点。

2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量u_k，同时满足每个本征模态的估计带宽之和最小且各本征模态函数之和等于输入的轴承振动信号f(t)。

采用变分模态分解方法对四组轴承的振动信号f(t)数据进行分解，具体包括如下步骤：

假设将轴承振动信号f(t)分解成为k个本征模态u_k，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个本征模态的估计带宽之和最小且所有本征模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：

式中：k为分解的模态个数(正整数)，{u_k}、{ω_k}分别对应分解后第k个模态分量和中心频率，t为时间，δ(t)为狄拉克函数，*为卷积运算符。

为求取上述约束变分问题的最优解，引入Lagrange乘法算子λ和二次惩罚因子α，将约束变分问题转变为非约束变分问题，得到增广函数，即：

式中：α为二次惩罚因子，作用是降低高斯噪声的干扰。利用交替方向乘子迭代算法结合Parseval、傅里叶等距变换，优化得到各模态分量和中心频率，从而将轴承振动信号f(t)分解为k个本征模态。

3)对步骤2)所得的k个本征模态，计算各本征模态分量的能量熵，并构建高维特征向量，将所述高维特征向量作为故障特征向量输入模型中。

原始振动信号f(t)经过迭代滤波分解得到一组IMF分量，计算前k个分量的能量：

其中x_i对应分解后第i个IMF分量在t时刻的能量，E_x为第i个IMF分量的能量。n为总的IMF分量个数，p_i为第i个IMF分量的能量与总能量的比值：

得到能量熵H_en：

4)通过在鲸鱼算法的基础上应用新的种群初始化方案、改进的种群狩猎策略、强化学习选择收敛因子、t分布-levy飞行变异策略获得改进鲸鱼算法优化极限学习机(ELM)确定最优的输入权重和偏差，获得IWOA-ELM模型，改进鲸鱼算法流程图如图3所示。

4.1)参数初始化，包括种群大小、最大迭代次数、上界、下界、动态权重最大值和最小值。

4.2)种群初始化，采用改进Tent混沌映射、反向学习和劣势种群随机交换协同使用产生初始化种群，使得初始种群具有一定质量和多样性。

4.2.1)改进Tent混沌映射

作为分段线性的一种一维映射，Tent混沌映射具有形式简单、功率谱密度均匀的特点；且Tent映射相较于Logistic映射遍历性更好，并被证明可为优化算法产生混沌序列，改进Tent混沌映射表达式为：

经过贝努力移位变换可表示为：

其中，rand(0,1)是[0,1]范围内的随机数，使用改进Tent混沌映射产生初始种群时随机生成，根据上式迭代产生整个种群的初始解。

4.2.2)反向学习

反向学习思想是对原始解执行反向操作，具体表达式为：

x_i＝lb+rand(ub-lb)

x′_i＝lb+ub-x_i

应用反向学习思想对随机生成的NP个初始解X_NP＝{x₁,x₂,...,x_NP}进行反向学习得到NP个反向解X′_NP＝{x′₁,x′₂,...,x′_NP}；

将混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，然后根据适应度值排序选出适应度值较小的NP个初始解。此举可减少优秀解的丢失。

4.2.3)劣势种群随机交换

对步骤4.2.2)产生的适应度较小的NP个初始解，随机选取两个不同个体1和个体2，并对每个个体随机抽取互不重复的K个位置，将个体1的K个位置替换到个体2中，同理对个体2执行同样操作，产生两个新的初始解个体，如图2所示。然后计算每个个体的适应度值并于前NP个较小的初始解比较，选出适应度值较小的NP个初始解。

4.3)改进狩猎方式

当时鲸鱼种群进行收缩捕食，此阶段包括p<0.5时种群进行收缩包围，p≥0.5种群进行螺旋式移动，数学表达式如下：

ω＝e^-10(t/T)

其中a为收敛因子；T为最大迭代次数；t为当前迭代次数；与/>均为随机向量，其取值范围为[0,1]；/>和/>是系数向量；/>是当前最佳鲸鱼个体位置；/>是当前鲸群个体位置，||表示绝对值操作，D表示距离，·是逐元素相乘符号。

使用了一种呈指数改变的自适应权重方法,算法前期使用较大的权重实现较强的全局搜索性能,保证搜索范围,随着迭代次数的增长,接近最优解时,权重值呈现指数减小,使得算法的局部寻优能力大大提升。

当且p<0.5时鲸鱼种群进行随机捕食，采用一种随机跳跃策略来更有效地选择搜索代理。

4.4)强化学习选择收敛因子

Q学习是一种模型无关的强化学习算法,通过代理多步学习求出最大折扣回报的行动,得到最优行动策略。若将收敛因子调整策略看成行动，则鲸鱼个体选择最优调整策略便转化为代理选择最优行动。

4.4.1)设定参数：收敛因子取值范围a_max，a_min；计算Q所需个体进化步数m；折扣因子给γ；算法迭代次数

4.4.2)对于每个个体，利用以下给定的n个行动产生n个新后代，设定t＝1

4.4.3)Do while t<m，每个后代个体，利用给定的n个行动产生n个新后代，并利用下式从中保留一个，令t＝t+1

r(a)＝f_p(a)-f_o(a)

其中：f_p(a)为父代鲸鱼个体对应的适应度函数值，f_o(a)为选择行动a后生成的子代鲸鱼个体对应的适应度函数值。

4.4.4)利用下式计算每个进化策略对应的Q，选择使Q最大化的行动所对应的a值为当前a值，同时忽略其他n-1个a值

Q(a)＝r(a)+γQ(a⁽¹⁾)+γ²Q(a⁽²⁾)+…+γ^mQ(a^(m))

其中:a,a⁽ⁱ⁾∈A,且1≤i≤m,参数m控制计算Q值向前看的步数.

4.5)t分布-levy飞行变异策略

4.5.1)t分布变异策略

采用以迭代次数为t分布的自由度参数的t分布变异算子对解的位置进行扰动，使得算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度。设置t分布变异概率为0.5，针对每只鲸鱼，都生成一个[0,1]的随机数，随机数小于变异概率的鲸鱼为满足变异条件的鲸鱼，执行t分布扰动，具体的位置更新方式如下：

其中，为自适应t分布变异扰动后最优解在第j维的位置，/>为变异扰动前最优解在第j维的位置，t(iteration)为自由度参数为迭代次数地t分布。t分布概率密度函数为：

如果经t分布扰动后的新解适应度值更好，则替换旧的解；否则保留旧解；

4.5.2)levy飞行策略

Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行策略，在最优位置附近进行小范围搜索，有效扩大算法的搜索范围，可种群跳出局部最优，这样形成一个新解，若新解的适应度值好于旧解，则替换它。采用Levy飞行的位置更新公式为：

x(t+1)＝x(t)+levy(β)

其中levy(β)是一种生成服从levy分布的随机数的方法。本文使用正态分布来求解随机数，有时称为Mantegna方法。生成随机数服从levy分布的步骤如下：

其中u服从正态分布，即u～N(0,σ²)，v服从标准正态分布，即v～N(0,1)；σ的取值如下：

一般来说，β的取值范围是1≤β≤3，在本实施例中，β等于1.5。

5)将特征向量划分为训练集和测试集输入到IWOA-ELM分类器中进行分类训练，将隐藏层神经元输入权重和偏置作为待优化目标，初始化个体初始值，以极限学习机的错误率为适应度值，将特征集分为训练集与测试集作为极限学习机的输入，求得最小适应度值F_min和群体极值G_best和个体极值P_best。迭代更新最优解、个体极值P_best与群体极值G_best，直到取得最佳适应度值或达到最大迭代次数；求得最优隐藏层权重和偏置；极限学习机对故障特征进行分类，通过分类器的输出结果得到轴承的故障类型和工作状态,实现滚动轴承的故障诊断。

以美国凯斯西储大学的轴承故障测试数据的故障检测为例，对本发明专利的实施作进一步说明。凯斯西储大学制作的轴承测试实验平台包括一个2马力的电机，一个转矩传感器，一个功率计和电子控制设备。被测试轴承支承电机轴。使用电火花加工技术在轴承上布置了单点故障。实验中使用加速度传感器采集振动信号f(t)，加速度传感器分别安装在电机壳体的驱动端和风扇端12点钟的位置。振动信号f(t)是通过16通道的DAT记录器采集的。振动信号f(t)采样频率为f＝12kHz。轴承型号6205-2RS JEM SKF。

选择正常情况无负载时的测试数据集作为正常状态的数据，选择驱动端故障的测试数据集作为故障状态的数据，选取故障直径为0.1778mm的内圈故障、外圈故障、滚动体故障共3种故障，进行变分模态分解并计算能量熵作为4种故障状态的特征值。

变分模态分解和计算能量熵以及ELM神经网络训练与测试的过程如下：

根据避免模态混叠和保留信号的全部特征信息原则确定分解个数,对组信号进行分解,得各轴承状态的模态分量。其中对滚动体故障信号分解个数为4,惩罚因子设为2000，分解结果如图5-8所示。

将分解的到的模态分量计算能量熵值，部分特征向量如表1所示。将滚动轴承在正常和故障状态下的得到的各组特征值进行分类标记并合并。其中，正常状态的分类标签为1，障直径为0.1778mm的内圈故障、外圈故障、滚动体故障的分类标签为2、3、4，对每种轴承状态信号取250组数据,从每种状态样本数据中随机抽取的150组数据,即作为训练样本,将剩下的正常、内圈故障、外圈故障、滚动体故障四种状态轴承振动信号f(t)各组数据作为测试样本。

表1能量熵特征值提取

设置鲸鱼种群规模N＝20，最大迭代次数M＝50，Q学习折扣因子γ＝0.5，m＝3，a_max＝2，a_min＝0，ELM隐含层节点数设置为100，激活函数选取sigmoid函数。通过改进鲸鱼算法对ELM网络的权值和阈值进行参数优化，形成最佳参数组合，形成IWOA-ELM模型进行故障识别具体步骤如图4所示。

为了证明IWOA-ELM模型的优越性，设置对比实验为在两种模型的训练数据和测试数据都相同的情况下进行故障类型的识别，通过实验结果来证实IWOA-ELM诊断模型的精度更高。图9为两种故障诊断模型的预测测试集分类结果图。如表2更为直观的表述了两种故障诊断模型的诊断正确率：

表2算法分类对比

由图9和表2可知，采用IWOA-ELM模型进行故障诊断时，其诊断正确率更高，能够更好地对轴承的各类故障进行识别分类。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种基于IWOA-ELM的滚动轴承故障诊断方法，其特征在于，包括以下步骤：

1)采集滚动轴承在某一种负荷状态下的正常轴承、内圈故障轴承、外圈故障轴承和滚动体故障轴承的振动信号f(t)，确保采集得到的振动信号f(t)中，每组信号有N个样本，每个样本有n个数据采样点；

2)将步骤1)中的每组轴承振动信号f(t)分解成k个本征模态分量u_k，同时满足每个本征模态的估计带宽之和最小且各本征模态函数之和等于输入的轴承振动信号f(t)；

3)对步骤2)所得的k个本征模态，计算各本征模态分量的能量熵，并构建高维特征向量，将所述高维特征向量作为故障特征向量输入模型中；

4)通过在鲸鱼算法的基础上应用新的种群初始化方案、改进的种群狩猎策略、强化学习选择收敛因子、t分布-levy飞行变异策略获得改进鲸鱼算法优化极限学习机确定最优的输入权重和偏差，获得IWOA-ELM模型；

5)将高维特征向量划分为训练集和测试集，并输入到IWOA-ELM分类器中进行分类训练，通过分类器的输出结果得到轴承的故障类型和工作状态，实现滚动轴承的故障诊断；

所述步骤4)中，所述改进鲸鱼算法优化极限学习机工作的具体步骤为：

4.1)参数初始化，包括种群大小、最大迭代次数、上界、下界、动态权重最大值和最小值；

4.2)种群初始化，采用改进Tent混沌映射、反向学习和劣势种群随机交换协同使用产生初始化种群，使得初始种群具有一定质量和多样性；

所述改进Tent混沌映射表达式为：

其中，rand(0,1)是[0,1]范围内的随机数，使用改进Tent混沌映射产生初始种群时随机生成，根据上式迭代产生整个种群的初始解；

所述反向学习思想是对原始解执行反向操作，具体表达式为：

x_i＝lb+rand(ub-lb)

x′_i＝lb+ub-x_i

应用反向学习思想对随机生成的NP个初始解X_NP＝{x₁,x₂,...,x_NP}进行反向学习得到NP个反向解X'_NP＝{x'₁,x'₂,...,x'_NP}；

将改进Tent混沌映射和反向学习生成的初始解混合成一个具有2NP个初始解的群体，然后根据适应度值排序选出适应度值较小的NP个初始解；

所述劣势种群随机交换为：对所述适应度值较小的NP个初始解，随机选取两个不同个体1和个体2，并对每个个体随机抽取互不重复的K个位置，将个体1的K个位置替换到个体2中，同理对个体2执行同样操作，产生两个新的初始解个体；然后计算每个个体的适应度值并于前NP个较小的初始解比较，选出适应度值较小的NP个初始解；

4.3)改进狩猎方式

当时鲸鱼种群进行收缩捕食，此阶段包括p<0.5时种群进行收缩包围，p≥0.5种群进行螺旋式移动，数学表达式如下：

其中a为收敛因子；T为最大迭代次数；t为当前迭代次数；与/>均为随机向量，其取值范围为[0,1]；/>和/>是系数向量；/>是当前最佳鲸鱼个体位置；/>是当前鲸群个体位置，||表示绝对值操作，D表示距离，·是逐元素相乘符号；

当且p<0.5时鲸鱼种群进行随机捕食，采用一种随机跳跃策略来更有效地选择搜索代理；

4.4)强化学习选择收敛因子

Q学习是一种模型无关的强化学习算法，通过代理多步学习求出最大折扣回报的行动，得到最优行动策略；若将收敛因子调整策略看成行动，则鲸鱼个体选择最优调整策略便转化为代理选择最优行动；

4.4.1)设定参数：收敛因子取值范围a_max，a_min；计算Q所需个体进化步数m；折扣因子给γ；算法迭代次数；

4.4.2)对于每个个体，利用以下给定的n个行动产生n个新后代，并设定t＝1

4.4.3)Do while t<m，每个后代个体，利用给定的n个行动产生n个新后代，并利用下式从中保留一个，令t＝t+1

r(a)＝f_p(a)-f_o(a)

其中：f_p(a)为父代鲸鱼个体对应的适应度函数值，f_o(a)为选择行动a后生成的子代鲸鱼个体对应的适应度函数值；

4.4.4)利用下式计算每个进化策略对应的Q，选择使Q最大化的行动所对应的a值为当前a值，同时忽略其他n-1个a值

Q(a)＝r(a)+γQ(a⁽¹⁾)+γ²Q(a⁽²⁾)+…+γ^mQ(a^(m))

其中:a,a⁽ⁱ⁾∈A,且1≤i≤m,参数m控制计算Q值向前看的步数；

4.5)t分布-levy飞行变异策略

采用以迭代次数为t分布的自由度参数的t分布变异算子对解的位置进行扰动，使得算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度；设置t分布变异概率为0.5，针对每只鲸鱼，都生成一个[0,1]的随机数，随机数小于变异概率的鲸鱼为满足变异条件的鲸鱼，执行t分布扰动，具体的位置更新方式如下：

其中，为自适应t分布变异扰动后最优解在第j维的位置，/>为变异扰动前最优解在第j维的位置，t(iteration)为自由度参数为迭代次数地t分布；t分布概率密度函数为：

如果经t分布扰动后的新解适应度值更好，则替换旧的解；否则，保留旧解；

Levy飞行是一种随机搜索方式，在经过t分布扰动后鲸鱼优化算法采用Levy飞行策略，在最优位置附近进行小范围搜索，有效扩大算法的搜索范围，可种群跳出局部最优，这样形成一个新解，若新解的适应度值好于旧解，则替换它；采用Levy飞行的位置更新公式为：

x(t+1)＝x(t)+levy(β)

其中levy(β)是一种生成服从levy分布的随机数的方法；使用正态分布来求解随机数，生成随机数服从levy分布的步骤如下：

其中u服从正态分布，即u～N(0,σ²)，v服从标准正态分布，即v～N(0,1)；σ的取值如下：

一般来说，β的取值范围是1≤β≤3。

2.根据权利要求1所述的一种基于IWOA-ELM的滚动轴承故障诊断方法，其特征在于：所述步骤2)采用变分模态分解方法对四组轴承的振动信号f(t)数据进行分解，具体包括如下步骤：

假设将轴承振动信号f(t)分解成为k个本征模态u_k，再从变分模型中寻找最优解来确定各本征模态的中心频率及其带宽，且满足每个本征模态的估计带宽之和最小且所有本征模态之和等于f(t)，因此构造约束变分模型的数学表达式如下所示：

式中：k为分解的模态个数，为正整数，{u_k}、{ω_k}分别对应分解后第k个模态分量和中心频率，t为时间，δ(t)为狄拉克函数，*为卷积运算符；

为求取上述约束变分问题的最优解，引入Lagrange乘法算子λ和二次惩罚因子α，将约束变分问题转变为非约束变分问题，得到增广函数，即

式中：α为二次惩罚因子，作用是降低高斯噪声的干扰；利用交替方向乘子迭代算法结合Parseval和傅里叶等距变换，优化得到各本征模态分量和中心频率，从而将轴承振动信号f(t)分解为k个本征模态。

3.根据权利要求1所述的一种基于IWOA-ELM的滚动轴承故障诊断方法，其特征在于：所述步骤3)计算各本征模态分量的能量熵具体包括如下步骤：

原始振动信号f(t)经过迭代滤波分解得到一组IMF分量，计算前k个分量的能量：

其中x_i对应分解后第i个IMF分量在t时刻的能量，E_x为第i个IMF分量的能量，n为总的IMF分量个数，p_i为第i个IMF分量的能量与总能量的比值：

得到能量熵H_en：

4.根据权利要求1所述一种基于IWOA-ELM的滚动轴承故障诊断方法，其特征在于：所述步骤5)滚动轴承的故障诊断具体步骤为：

将隐藏层神经元输入权重和偏置作为待优化目标，初始化个体初始值，以极限学习机的错误率为适应度值，将特征集分为训练集与测试集作为极限学习机的输入，求得最小适应度值F_min和群体极值G_best和个体极值P_best；迭代更新最优解、个体极值P_best与群体极值G_best，直到取得最佳适应度值或达到最大迭代次数；求得最优隐藏层权重和偏置；改进鲸鱼算法优化极限学习机对故障特征进行分类。