Page 127 - 2024年第55卷第6期

注：样本类别 １、２、３、４分别表示正常、碰撞摩擦、不平衡、不对中状态。
图 １１ 不同模型状态识别与诊断结果

由图 １１和表 ２给出的六个模型在测试集上的故障诊断性能而言，在无噪声情况下 ＢＰ神经网络模型的
ＣＳＥ诊断准确率仅为 ７５％，融合多尺度熵后准确率提高了 ２．７６％，引入精细复合思想准确度达到 ９１．
６７％，在正常、不平衡两种工况诊断中达到了 １００％的准确率。通过自适应和莱维飞行结合鲸鱼优化
算法对 ＢＰ神经网络进行优化后，整体诊断准确率均得到提升，其中本文所提 ＲＣＭＣＳＥ － ＡＬＷＯＡ － ＢＰ
模型的准确率在四种工况下均达到 １００％，在 ＳＮＲ ＝ ２ｄＢ时，准确率稍有降低为 ９４．４４％，这与前文中
熵值略微混叠有很大关系，恰好说明在有噪声条件下，确实会对特征提取能力和诊断结果造成一定的
偏差与干扰。图 １２为不同模型诊断结果雷达图。实验结果表 ＲＣＭＣＳＥ相对于 ＭＣＳＥ和 ＣＭＣＳＥ具有更
广泛的应用前景和更高的性能表现，尤其适用于多尺度、复杂化的数据分析和处理任务。它能够更好
地捕捉数据的复杂性和多样性，提高模型的泛化能力和数据处理能力。而 ＡＬＷＯＡ作为一种优化算法
结合自适应和随机搜索的优点增强了算法的鲁棒性，同时大幅度提高振动信号故障诊断的准确性和
效率。

表 ２ 不同模型诊断准确结果 单位：％

模型 无噪声 ＳＮＲ ＝ ２ｄＢ
ＭＣＳＥ － ＢＰ ７５．００ ６１．１１
ＣＭＣＳＥ － ＢＰ ７７．７８ ６３．８９

ＲＣＭＣＳＥ － ＢＰ ９１．６７ ７７．７８
ＭＣＳＥ － ＡＬＷＯＡ － ＢＰ ８６．１１ ６９．４４
ＣＭＣＳＥ － ＡＬＷＯＡ － ＢＰ ８８．８９ ７５．００
ＲＣＭＣＳＥ － ＡＬＷＯＡ － ＢＰ １００ ９４．４４ 图 １２ 故障诊断对比结果

— ７ ５ ３ —