基于快速集合经验模态分解与信号重构的改进布谷鸟搜索算法优化最小二乘支持向量机的轴承故障诊断方法

《Advances in Mechanical Engineering》：An improved Cuckoo Search algorithm for LS-SVM optimization in bearing fault diagnosis based on signal decomposition and reconstruction

　　

为提高轴承故障诊断的准确性与鲁棒性，研究人员提出一种基于快速集合经验模态分解（FEEMD）与多策略改进布谷鸟搜索算法（Improved Cuckoo Search, ICS）优化最小二乘支持向量机（LS-SVM）的故障诊断方法。在信号处理阶段，采用FEEMD对轴承振动信号进行分解，随后应用皮尔逊相关系数（Pearson correlation coefficient, PCC）方法剔除无关噪声分量并重构信号，以增强有效故障特征。继而从重构信号中提取多尺度排列熵（Multiscale Permutation Entropy, MPE）以刻画其复杂性与非线性动力学，构成故障特征向量。在优化阶段，提出融合正弦-余弦更新策略与柯西变异的多策略改进布谷鸟搜索算法（SC-ICS），该策略增强了全局搜索能力与种群多样性，有效避免早熟收敛与局部最优。改进ICS用于优化LS-SVM的关键参数，提升其分类性能。最终将该法应用于轴承故障诊断实验，结果表明该方法在复杂工况下取得较高诊断准确率与鲁棒性，优于常规优化算法与诊断模型，验证了其在工程实践中的有效性。

研究背景方面，轴承作为旋转机械的关键部件，广泛应用于航空、能源、交通及制造等领域，其健康状态直接影响设备安全与可靠性。在变速、重载、强振与噪声环境下，轴承故障特征易被背景噪声掩盖，尤其低速或变速工况下传统时域、频域及时间-频率域分析方法存在局限：时域特征难以区分复杂混合信号，频域方法依赖平稳性假设，时频分析易出现模态混叠。集合经验模态分解（EEMD）虽缓解模态混叠但计算成本高，FEEMD通过自适应噪声调整与加速集成策略在保持优势的同时提升效率。熵类特征中多尺度排列熵（MPE）可捕捉多尺度复杂度，而最小二乘支持向量机（LS-SVM）在小样本高维场景具优势但对核参数与正则化参数敏感。标准布谷鸟搜索（CS）具全局搜索能力但存在收敛慢与种群多样性不足问题。因此，研究人员开展融合FEEMD-PCC信号增强、MPE特征提取与多策略改进布谷鸟搜索（SC-ICS）优化LS-SVM的复合框架研究，成果发表于《Advances in Mechanical Engineering》。

关键技术方法上，研究人员采用实验室电机-轴承试验台与Case Western Reserve University（CWRU）公开数据集，采集四种状态（正常、滚动体故障、内圈故障、外圈故障）振动信号，采样频率12 kHz，每样本8000点，每类150样本（训练125/测试25）。信号处理采用FEEMD分解为若干本征模态函数（IMF），以皮尔逊相关系数（PCC）阈值0.30筛选高相关IMF重构；特征提取计算嵌入维m=5、延迟τ=1的MPE曲线（尺度1~20）；分类器为RBF核LS-SVM，其正则化参数γ与核宽σ由SC-ICS优化（种群30，迭代300，发现概率0.25，融合正弦-余弦位置更新与柯西变异）。对照基线包括SVM、LS-SVM、RF、PSO/GWO/CS-LS-SVM、MCS/ACS-LS-SVM及CNN、LSTM。

研究结果部分，各小节结论如下：

信号分解基于FEEMD：研究人员阐述FEEMD在EEMD框架下引入自适应噪声幅值γ=η·σ_x与加速停止准则，集成次数降至20~50，有效抑制模态混叠并降低计算负担，分解得到多阶IMF。

分解信号重构：通过PCC计算各IMF与原始信号相关系数ρ_k，按|ρ_k|≥0.30保留IMF1~IMF3求和重构，阈值敏感性分析表明θ=0.30时诊断准确率最高（94%），兼顾噪声抑制与故障信息保留。

重构信号特征提取：对重构信号计算MPE，嵌入维m与时间延迟τ敏感性分析显示m=5、τ=1时准确率最高（94%），MPE向量表征多尺度非线性动力学差异。

最小二乘支持向量机（LS-SVM）：给出目标函数与等式约束对偶形式，RBF核K(x,x_i)=exp(?‖x_i?x_j‖²/(2σ²))，明确性能依赖γ与σ。

布谷鸟搜索算法（CS）：基于Lévy飞行更新x_i^t+1=x_i^t+α?Lévy(λ)，具全局跳变能力但后期易陷局部优。

多策略改进布谷鸟搜索（SC-ICS）：引入正弦-余弦更新X_i^t+1=X_i^t+r₁·sin(r₂)·|r₃·X_best^t?X_i^t|与柯西变异X′=X+δ·tan[π(u?0.5)]，增强探索-开发平衡，迭代曲线显示300代收敛至适应度约0.4，优于标准CS的2.0。

轴承故障诊断模型：构建FEEMD-PCC-MPE-SC-ICS-LS-SVM流程，实验室数据测试集四类准确率正常96%、滚动体92%、内圈96%、外圈92%；CWRU数据对应96%、92%、92%、96%。

实验结果与分折：混淆矩阵与表4对比显示，实验室集SC-ICS-LS-SVM准确率94%，CWRU集95%，均高于SVM、LS-SVM、RF、PSO/GWO/CS-LS-SVM、MCS/ACS-LS-SVM、CNN、LSTM；消融证明SC-ICS相较原CS提升明显。

讨论与结论翻译：研究人员指出，所提混合框架通过FEEMD-PCC增强故障信噪比、MPE提供多尺度判别特征、SC-ICS提升LS-SVM参数寻优全局性与稳定性，在复杂工况下实现高准确率与鲁棒性。结论为——该FEEMD与SC-ICS优化LS-SVM的方法能有效提取轴承故障特征并准确分类，优于常规优化与诊断模型，具备实际工程应用价值。