CN116127296A - 基于自适应加权辛几何模态分解的故障诊断方法及系统 - Google Patents

Abstract

本发明提供了一种基于自适应加权辛几何模态分解的故障诊断方法及系统，采用AWSGMD‑CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；基于得到的故障特征向量以及优化的ACO‑ELM模型，得到故障诊断结果；其中，ACO‑ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值；本发明基于辛几何相似变换，提出了改进的自适应加权和重构的辛几何模态分解算法，对振动信号有良好的分解性能，能够有效提取信号中丰富的故障特征，提高了故障诊断的准确率。

Description

基于自适应加权辛几何模态分解的故障诊断方法及系统

技术领域

本发明涉及故障诊断技术领域，特别涉及一种基于自适应加权辛几何模态分解的故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。

滚动轴承作为旋转机械设备的重要组成部分，往往承受时变特性的载荷，容易出现无法避免的损伤，而且其振动信号的能量较小，通常包含大量噪声和无关分量，会导致故障特征不明显，甚至被淹没。针对这一难点问题，众多学者开展大量研究工作，主要包含改进信号处理方法，融合和优化机器学习算法等。然而大部分现有方法，不能有效地提取轴承振动的故障特征，或者自适应能力和噪声鲁棒性不强，导致在分类时无法达到预期的效果。

为了提高振动信号的特征提取能力，相关学者提出了大量信号分解方法。小波变换将时间序列分解为不同频带或尺度的分量，能够识别时间序列中突变的成分。如今小波函数的选择仍以经验为主，不具备自适应性，不同的基函数有时会导致分解结果差异巨大。

EMD无需设置基函数，自适应地将一个多分量调制信号分解为IMF分量，但存在端点效应和模态混叠问题。LMD是在EMD的基础上改进的，将信号自适应地分解为乘积函数PF之和，其中任何一个PF分量都是调幅-调频信号，该方法作为一种自适应的分解方法在轴承故障诊断中应用广泛。VMD是一种自适应的时频分析法。由于维纳滤波器的特性，VMD在分解频率接近的频带和减少模式混淆方面都具有良好性能。为更好地改善故障信息的特征提取能力，Pan等人在辛几何理论基础上提出了SGMD方法，能够自适应地将时间序列分解为若干独立模态的SGCs。不仅保护时间序列完整性，还能消除噪声和无关分量，无需自定义参数，自适应性强。但在分解过程中，存在重构约束条件的问题。分解的分量并不完全独立，需要将具有相同特性的分量重组，分解分量包含残差和噪声，需要设置合适的迭代终止条件除去这些无用分量。否则分解的分量就会过多，导致计算成本高，过度分解等问题。

在特征提取之后需要采用合适的分类器进行模式识别，常用的是BP和SVM。BP是经典而实用的前馈网络，利用误差反向传播解决多层隐单元连接权值的问题。然而其学习速度慢，参数设置多，存在极值等问题，限制了在故障诊断中的应用。SVM在是一种泛化能力强的机器学习方法，其优势之一是用于解决小样本与非线性的分类问题，在模式识别领域应用广泛。然而SVM需要优化的参数更多更复杂，且在训练速度上存在缺陷。ELM是一种单隐含层前馈神经网络，其学习速度快，泛化能力强，适合在故障诊断中应用，但是由于ELM在计算过程中，权值和阈值是随机设定的，会影响故障诊断的稳定性和准确性。

发明内容

为了解决现有技术的不足，本发明提供了一种基于自适应加权辛几何模态分解的故障诊断方法及系统，基于辛几何相似变换，提出了改进的自适应加权和重构的辛几何模态分解算法，对振动信号有良好的分解性能，能够有效提取信号中丰富的故障特征，提高了故障诊断的准确率。

为了实现上述目的，本发明采用如下技术方案：

本发明第一方面提供了一种基于自适应加权辛几何模态分解的故障诊断方法。

一种基于自适应加权辛几何模态分解的故障诊断方法，包括以下过程：

滚动轴承的振动信号；

采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；

基于得到的故障特征向量以及优化的ACO-ELM模型，得到故障诊断结果；其中，ACO-ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值。

作为本发明第一方面进一步的限定，采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，包括：

通过SGMD分解获得初始单分量信号后，采用余弦差分因子对迭代次数进行限制，以区分噪声分量；采用皮尔逊相关系数进行分量重组，同时保证周期相似性和方向一致性；采用变化熵加权矩阵给分量赋值，在保留故障信息的同时进行信号降噪，得到WSCCs分量。

作为本发明第一方面更进一步的限定，通过SGMD分解获得初始单分量信号，采用余弦差分因子对迭代次数进行限制，包括：

根据滚动轴承振动信号构建轨迹矩阵；

对轨迹矩阵进行自相关分析，得到协方差矩阵，进而得到辛正交矩阵；

根据辛正交矩阵得到初始单分量重构矩阵；

对初始单分量重构矩阵中的元素进行对角平均，得到d组初始单分量；

对于d组初始单分量，计算前k组分量的和获得叠加分量T_k；

计算相邻叠加分量之间的余弦值，根据相邻叠加分量之间的余弦值，构建余弦差分因子；

当余弦差分因子的数值趋于平稳且小于设定阈值时，选取前c组分量作为有效分量，滚动轴承振动信号x被分解为

其中，

为转折点c后的噪声分量之和，Y_i为第i组初始单分量。

作为本发明第一方面更进一步的限定，余弦差分因子S_i，包括：

S_i＝|(C_i+1-C_i)|<ε_e

其中，C_i+1为第i+1个叠加分量的余弦值，C_i为第i个叠加分量的余弦值，ε_e为设定阈值。

作为本发明第一方面更进一步的限定，对于保留的前c组有效分量，计算皮尔逊相关系数进行重组，同时保证分量周期相似性和方向一致性，包括：

选择第一个初始单分量Y₁，并与其余c-1个初始单分量分别进行皮尔逊相关系数计算，在误差允许范围内，得到第一个辛组合分量SCC₁，然后将SCC₁从原始信号中移除，选择移除后信号的第一个分量与剩余分量进行比较，依次获得h个组合分量，x分解为

作为本发明第一方面更进一步的限定，采用变化熵加权矩阵给分量赋值，包括：

计算每个辛组合分量相邻两点之间的斜率绝对值；

根据斜率绝对值，计算每个辛组合分量的变化熵；

利用变化熵的值，构造加权矩阵；

利用加权矩阵对每个辛组合分量进行加权处理，最终得到加权辛组合分量WSCCs。

作为本发明第一方面更进一步的限定，加权矩阵D_i，包括：

其中，V_max是变化熵中的最大值，V_min是变化熵中的最小值；

加权辛组合分量WSCCs为：

作为本发明第一方面进一步的限定，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量，包括：

WSCCs分量记为d_i(t),i＝1,2,K,h；

对d_i(t)组成的行向量矩阵进行SVD分解，获得奇异值向量E_i；

对d_i(t)＝(d_i1,d_i2,K_,d_in)傅里叶变换得到频域信号X_i(ω_r)，得到功率谱S_i(ω_r)，进而得到功率谱熵M_i；

利用功率谱熵M_i的值，构造加权矩阵G_i；

利用加权矩阵G_i，对奇异值特征向量E_i进行加权处理，最终得到功率谱熵加权奇异值特征向量T_i，T_i＝G_i×E_i。

作为本发明第一方面更进一步的限定，构造加权矩阵G_i，包括：

其中，M_max为功率谱熵M_i中的最大值，M_min是功率谱熵M_i中的最小值。

本发明第二方面提供了一种基于自适应加权辛几何模态分解的故障诊断系统。

一种基于自适应加权辛几何模态分解的故障诊断系统，包括：

数据获取模块，被配置为：滚动轴承的振动信号；

信号分解及特征提取模块，被配置为：采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；

故障诊断模块，被配置为：基于得到的故障特征向量以及优化的ACO-ELM模型，得到故障诊断结果；其中，ACO-ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值。

与现有技术相比，本发明的有益效果是：

1、本发明基于辛几何相似变换，提出了改进的自适应加权和重构的辛几何模态分解算法，对振动信号有良好的分解性能，能够有效提取信号中丰富的故障特征。

2、本发明利用余弦差分因子限制辛几何模态分解算法的迭代次数，区分了噪声分量，降低了特征维度。

3、本发明以皮尔逊相关系数为分量重构评价标准，保证周期相似性和方向一致性，重构出相互独立的SCCs分量，基于变化熵加权矩阵，在保留故障信息的同时再次抑制噪声。

4、本发明采用功率谱熵加权奇异值的特征映射方式，充分结合改进的自适应加权和重构的辛几何模态分解算法，能够有效的提取信号的故障特征。

5、本发明利用蚁群优化算法对极限学习机模型中的输入权重和阈值迭代寻优，有着良好的性能，其诊断效果要优于传统的ELM、BP、SVM模型。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例1提供的基于自适应加权辛几何模态分解的故障诊断方法的流程示意图；

图2为本发明实施例1提供的信号分解和特征提取流程示意图；

图3为本发明实施例1提供的ACO优化ELM算法的流程示意图；

图4为本发明实施例1提供的SGMD分解后的前6个SGCs分量示意图；

图5为本发明实施例1提供的SGMD分解后的后6个SGCs分量示意图；

图6为本发明实施例1提供的前6个SGCs分量加权和重构后的4组WSCCs分量示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：

如图1所示，本发明实施例1提供了一种基于自适应加权辛几何模态分解的故障诊断方法，包括：

步骤1：数据获取和信号设计，获取滚动轴承的原始振动信号；

步骤2：信号分解和特征提取，采用AWSGMD-CP算法对原始信号进行分解，获得WSCCs分量，提取功率谱熵加权奇异值作为故障特征向量；

步骤3：模型构建和测试，采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值，采用优化后的ACO-ELM模型进行故障诊断任务的测试。

步骤2中信号分解和特征提取的构建过程为：

(1)信号分解

AWSGMD-CP理论主要基于SGMD算法，通过SGMD分解获得初始单分量信号后，采用皮尔逊相关系数进行分量重组，同时保证周期相似性和方向一致性；初始单分量中含有大量噪声成分，需要将其区分，采用余弦差分因子对迭代次数进行限制，有效区分噪声分量；最后采用变化熵加权矩阵给分量赋值，在保留故障信息的同时进行信号降噪，构造WSCCs分量。

①、相空间重构

假设一个原始时间序列信号(x＝x₁,x₂,L,x_n)，其中n代表信号的长度，构建轨迹矩阵X如下：

其中，d是嵌入维度，τ是延迟时间，且m＝n-(d-1)τ，通过计算原始时间序列的功率谱密度PSD来自适应地确定d值。

②、QR分解

为得到哈密顿矩阵，对轨迹矩阵X进行自相关分析，得到协方差矩阵A＝X^TX，辛正交矩阵Q可以表述如下：

其中，W是哈密顿矩阵，矩阵Q可以由辛相似变换SST获得。

③、获得重构矩阵Z

④、对角平均

对于矩阵Z_i中的元素z_ij(1≤i≤m,1≤j≤d)，令d^*＝min(m,d)，m^*＝max(m,d)，m＝n-(d-1)τ，如果m<d，令z_ij ^*＝z_ij，否则z_ij ^*＝z_ji。

则相对应的时间序列Y_i中的元素y_k(k＝1,2,L,n)，计算如下：

初始单分量重构矩阵Z_i被转换为一维时间序列Y_i，通过对角平均可将轨迹矩阵X转换为d组长度为n的序列Y＝Y₁+Y₂+L+Y_d，这些序列之和为x。

⑤、噪声分离

对分量求和，对于d组初始单分量(Y₁,Y₂,L,Y_d)，计算前k组分量的和获得叠加分量T_k：

计算相邻叠加分量之间的余弦值，根据下式计算叠加分量的余弦值C_i：

构建差分因子，结合余弦值的特点，利用差分运算可以更加凸显叠加分量趋于平稳的转折点，通过下式构建余弦差分因子S_i：

S_i＝|(C_i+1-C_i)|<ε_e   (8)

当S_i的数值趋于平稳且小于阈值ε_e(趋于0)时，可选取前c组分量作为有效分量，c点之前包含了原始信号的大量有用信息，c点之后可视为噪声分量，x被分解为

其中，

为转折点c后的噪声分量之和。

⑥、分量重组

皮尔逊相关系数(Pearson Correlation Coefficient，PCC)是由卡尔·皮尔逊提出的，是衡量两个变量相似度的一种方式，两个变量x＝[x₁,x₂,L,x_n]、y＝[y₁,y₂,L,y_n]之间的线性相关程度r_xy计算如下：

其中，

和

分别为x_i和y_i的平均值，r_xy∈[-1,1]，相关系数绝对值越大，相关性越强，反之则越弱。

对于保留的前c组有效分量，计算PCC进行重组，同时保证分量周期相似性和方向一致性。具体如下：首先选择第一个初始单分量Y₁，并与其余c-1个初始单分量分别进行PCC计算，在误差允许范围内，可获得第一个辛组合分量SCC₁，然后将SCC₁从原始信号中移除，选择移除后信号的第一个分量与剩余分量进行比较，可依次获得h个组合分量。x分解为

⑦、分量重构

为了在保留故障信息的同时进行信号降噪。采用变化熵加权矩阵，给每个SCCs赋值，构造加权辛组合分量WSCCs，对每个分量所含的故障信息量进行评估。当熵值越大时分量所含的故障信息越多，反之则越少，具体过程如下：

求变化率，利用下式计算每个SCC_i(i＝1,2,K,h)相邻两点之间的斜率绝对值f_ij(j＝1,2,...,n-1)：

其中，i代表SCCs的个数，n为每个SCCs包含的采样点个数，SCC_i,j代表第i个SCC分量在第j个采样点的数值，f_s为采样频率；

求变化熵，结合变化率和信息熵理论，利用下式计算每个SCC的变化熵V_i：

求加权矩阵，利用变化熵V_i的值，通过下式构造加权矩阵D_i：

其中，V_max是变化熵V_i中的最大值，V_min是变化熵V_i中的最小值。

重构分量，利用加权矩阵D_i对每个SCCs进行加权处理，最终得到加权辛组合分量WSCCs：

WSCC_i＝D_i×SCC_i   (13)

(2)、特征提取

信号再经过AWSGMD-CP算法分解和重构之后，可得到许多WSCCs分量，包含大量的故障相关信息；需要一种合适的策略来从分解分量中提取故障特征；奇异值分解能够很好地提取这些故障特征，准确揭示信号的特征信息，并且计算复杂度较低，适合对分解分量进行特征提取；同时采用能够反映信号复杂程度的功率谱熵的理论，对奇异值特征向量进行加权。

具体步骤如下：

①、对振动信号进行AWSGMD-CP分解，获得WSCC分量，记为d_i(t),i＝1,2,K,h；

②、对d_i(t)组成的行向量矩阵进行SVD分解，获得奇异值矩阵E_i；

E_i＝SVD([d₁(t),d₂(t),K,d_h(t)]^T)   (15)

③、对d_i(t)＝(d_i1,d_i2,K_,d_in)傅里叶变换得到频域信号X_i(ω_r)，ω_r是一个谱，则功率谱S_i(ω_r)为：

能量在从时域到频域的变换中是守恒的，可以写成：

S_i(ω_r)可以看作是d_i(t)在频域中的能量分配，功率谱熵M_i定义为：

④、利用功率谱熵的值，通过下式构造加权矩阵G_i：

其中，M_max是功率谱熵M_i中的最大值，M_min是功率谱熵M_i中的最小值。

⑤、利用加权矩阵G_i，通过下式对奇异值特征向量E_i进行加权处理，最终得到功率谱熵加权奇异值特征向量T_i：

T_i＝G_i×E_i   (20)

完整的信号分解和特征提取过程如图2所示。

步骤3中模型构建和测试的具体过程为：

传统的ELM随机获取输入权值和阈值，模型的预测精度有待提高，需要加入合适的算法进行优化，避免随机选取对诊断结果的影响。ACO算法是一种智能群体的概率搜索算法，鲁棒性强，实现简单，应用范围广。

基于ACO算法强大的全局搜索能力，将ELM的输入权值和阈值作为ACO算法的每只蚂蚁，进行最优路径的规划，获得全局最优解来，提高分类模型的准确率和泛化能力。

本发明采用ACO算法对ELM模型进行优化，构建ACO-ELM模型，来达到更好的分类效果，其流程如图3所示，具体过程如下：

①、初始化参数，计算蚂蚁两点间转移的概率如下：

式中，k表示蚂蚁；

为蚂蚁在t时刻两点间转移的概率；τ_ij(t)为t时刻残留的信息量；η_ij(t)为启迪函数，通过欧式距离的倒数来描述；r_k为蚂蚁k能够接近的位置；α为信息素的调节参数；β为启发函数的调节参数。

②、通过逐代更新，寻找最优觅食线路，得到蚁群全局最优线路，即极限学习机的输入权值和阈值。

③、基于蚁群算法最优线路的搜寻，恰当选择隐含层激活函数，求得隐含层输出矩阵H。

④、对输出层权值矩阵进行求解，以此来进行分类识别。

本实施例中，搭建CWRU滚动轴承故障模拟平台，该装置包含一个2hp电机，扭矩传感器，功率计和电子控制设备，采用电火花加工技术对电机轴承故障进行模拟，轴承位置位于电机驱动端和风扇端，采样频率为12KHz，本实施例设置11种故障类型，包含1种正常状态，5种驱动端故障，5种风扇端故障，每种故障包含1024个采样点，选取80组数据被分配给训练集和测试集，详细的数据集描述如表1所述。

表1：滚动轴承数据集的详细描述

为了检验所提出的基于自适应加权和重构的辛几何模态分解的滚动轴承故障辨识系统的优越性，分别从特征提取和故障分类两个方面进行实验，来设置比较任务。

(1)、特征提取

为了评估整体特征提取方法的优势，将改进的AWSGMD-CP与功率谱熵加权奇异值特征提取相结合，并与传统的机械振动信号分解方法EEMD、LMD、VMD进行了比较，同时也比较了传统的SGMD方法。图4展示了正常状态下一组振动信号的前6个SGCs，图5展示了后6个SGCs。后6个SGCs的振幅较小，所占能量比例较小。从图4中可以看出，分量1和2，分量5和6，都非常相似，可以重组，其加权重组分量WSCCs如图6所示。为了定量描述不同分解算法的性能，采用统一的ACO-ELM分类模型进行故障诊断，在实验中进行了十次试验，取平均值作为实验结果，如表2所示。

表2：采用不同特征提取算法的实验结果

改进的AWSGMD-CP的诊断准确率要高于其他几种方法，主要是由于所有的SGCs分量在重组、限制迭代和加权的过程中，不仅保留有用成分，同时消除无用分量，在降低特征维数的同时构造出相互独立的分量。

(2)故障分类

为了验证ACO优化ELM分类模型的优势，与传统的ELM模型进行对比，同时比较了几种常见的分类模型BP，SVM等，目的是评估分类器和优化算法的性能，实验结果如表3所示。

表3：采用不同分类算法的实验结果

从表3的分类结果可以看出，ELM模型的分类精度要高于其他几种方法，而且经过ACO优化ELM参数后的模型诊断性能更加突出；ACO是通过迭代搜寻ELM中的最优输入权值和阈值，来达到更好的分类准确率和更强的泛化能力。

实施例2：

本发明实施例2提供了一种基于自适应加权辛几何模态分解的故障诊断系统，包括：

数据获取模块，被配置为：滚动轴承的振动信号；

信号分解及特征提取模块，被配置为：采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；

故障诊断模块，被配置为：基于得到的故障特征向量以及优化的ACO-ELM模型，得到故障诊断结果；其中，ACO-ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值。

所述系统的工作方法与实施例1提供的基于自适应加权辛几何模态分解的故障诊断方法相同，这里不再赘述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，包括以下过程：

滚动轴承的振动信号；

采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；

基于得到的故障特征向量以及优化的ACO-ELM模型，得到故障诊断结果；其中，ACO-ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值。

2.如权利要求1所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，包括：

通过SGMD分解获得初始单分量信号后，采用余弦差分因子对迭代次数进行限制，以区分噪声分量；采用皮尔逊相关系数进行分量重组，同时保证周期相似性和方向一致性；采用变化熵加权矩阵给分量赋值，在保留故障信息的同时进行信号降噪，得到WSCCs分量。

3.如权利要求2所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

通过SGMD分解获得初始单分量信号，采用余弦差分因子对迭代次数进行限制，包括：

根据滚动轴承振动信号构建轨迹矩阵；

对轨迹矩阵进行自相关分析，得到协方差矩阵，进而得到辛正交矩阵；

根据辛正交矩阵得到初始单分量重构矩阵；

对初始单分量重构矩阵中的元素进行对角平均，得到d组初始单分量；

对于d组初始单分量，计算前k组分量的和获得叠加分量T_k；

计算相邻叠加分量之间的余弦值，根据相邻叠加分量之间的余弦值，构建余弦差分因子；

当余弦差分因子的数值趋于平稳且小于设定阈值时，选取前c组分量作为有效分量，滚动轴承振动信号x被分解为

其中，

为转折点c后的噪声分量之和，Y_i为第i组初始单分量。

4.如权利要求3所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

余弦差分因子S_i，包括：

S_i＝(C_i+1-C_i)<ε_e

其中，C_i+1为第i+1个叠加分量的余弦值，C_i为第i个叠加分量的余弦值，ε_e为设定阈值。

5.如权利要求3所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

对于保留的前c组有效分量，计算皮尔逊相关系数进行重组，同时保证分量周期相似性和方向一致性，包括：

选择第一个初始单分量Y₁，并与其余c-1个初始单分量分别进行皮尔逊相关系数计算，在误差允许范围内，得到第一个辛组合分量SCC₁，然后将SCC₁从原始信号中移除，选择移除后信号的第一个分量与剩余分量进行比较，依次获得h个组合分量，x分解为

6.如权利要求5所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

采用变化熵加权矩阵给分量赋值，包括：

计算每个辛组合分量相邻两点之间的斜率绝对值；

根据斜率绝对值，计算每个辛组合分量的变化熵；

利用变化熵的值，构造加权矩阵；

利用加权矩阵对每个辛组合分量进行加权处理，最终得到加权辛组合分量WSCCs。

7.如权利要求6所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

加权矩阵D_i，包括：

其中，V_max是变化熵中的最大值，V_min是变化熵中的最小值；

加权辛组合分量WSCCs为：

WSCC_i＝D_i×SCC_i，

8.如权利要求1所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量，包括：

WSCCs分量记为d_i(t),i＝1,2,K,h；

对d_i(t)组成的行向量矩阵进行SVD分解，获得奇异值向量E_i；

对d_i(t)＝(d_i1,d_i2,K,d_in)傅里叶变换得到频域信号X_i(ω_r)，得到功率谱S_i(ω_r)，进而得到功率谱熵M_i；

利用功率谱熵M_i的值，构造加权矩阵G_i；

利用加权矩阵G_i，对奇异值特征向量E_i进行加权处理，最终得到功率谱熵加权奇异值特征向量T_i，T_i＝G_i×E_i。

9.如权利要求8所述的基于自适应加权辛几何模态分解的故障诊断方法，其特征在于，

构造加权矩阵G_i，包括：

其中，M_max为功率谱熵M_i中的最大值，M_min是功率谱熵M_i中的最小值。

10.一种基于自适应加权辛几何模态分解的故障诊断系统，其特征在于，包括：

数据获取模块，被配置为：滚动轴承的振动信号；

信号分解及特征提取模块，被配置为：采用AWSGMD-CP算法对滚动轴承的振动信号进行分解，获得WSCCs分量，根据WSCCs分量提取功率谱熵加权奇异值作为故障特征向量；

故障诊断模块，被配置为：基于得到的故障特征向量以及优化的ACO-ELM模型，得到故障诊断结果；其中，ACO-ELM模型的优化，包括：采用ACO算法，迭代优化ELM中的参数，获得最优输入权值和神经元阈值。

Images