论文部分内容阅读
针对球磨机振动信号具有非线性、非平稳性特点导致的负荷状态难以识别问题,提出一种基于改进多尺度模糊熵(MMFE)和极限学习机(ELM)的球磨机负荷识别方法.首先,采用自适应频率窗经验小波变换(EWT)对球磨机振动信号进行预处理;其次,利用MMFE提取能表征原始振动信号的负荷状态特征;最后,利用自适应进化粒子群算法(AEPSO)优化极限学习机,进而建立出球磨机负荷识别模型.试验结果表明:MMFE能够有效区分球磨机三种负荷状态,AEPSO-ELM模型在负荷识别时有较高的精准性,整体识别率高达98.67％.以上结果证明了MMFE能较好地提取负荷状态特征;MMFE特征提取结合AEPSO-ELM的方法可实现对球磨机负荷状态的准确识别.