一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法技术

本发明专利技术公开了一种基于局部均值分解(local mean decomposition，LMD)、奇异值分解(singular value decomposition，SVD)和极限学习机(extreme learning machine，ELM)的故障诊断方法，以提高变工况条件下轴承故障诊断的精度。首先，采用高效的自适应信号处理方法LMD将非线性非平稳的原始振动信号分解为一系列乘积函数(product functions，PFs)，每一个PF分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积。然后，采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值。最后，基于提取的特征向量，应用运算效率和分类精度更高的ELM对轴承故障状态进行分类。本发明专利技术方法采用基于LMD-SVD-ELM的故障诊断方法，为轴承提供了一套完整有效的变工况条件下的故障诊断方案，具有很好的实际工程应用价值。

【技术实现步骤摘要】
-种基于LMD-SVD和极限学习机的轴承变工况故障诊断方 法
本专利技术涉及轴承变工况故障诊断的
，具体涉及一种基于局部均值分解 (local mean decomposition, LMD)、奇异值分角军（singular value decomposition, SVD)和 极限学习机（extreme learning machine, ELM)的故障诊断方法。
技术介绍
随着现代化大生产的不断发展和科学技术的不断进步，机电系统的规模越来越 大，结构越来越复杂，人们对设备可靠、安全运行的要求越来越高。轴承是旋转机械中重要 且常见的部件，其性能好坏对整个系统的可靠运作有着至关重要的影响。轴承故障可能导 致旋转机械的突然停机，进而导致整个系统的瘫痪，带来巨大的经济损失甚至是人员伤亡。 因此，轴承的性能检测及故障诊断方法在工业应用中具有重要意义，已经成为一个国内外 相关领域的研究热点。由于轴承工作环境复杂多变，变工况因素制约了多数故障诊断方法 的精度，而目前的诊断方法较少考虑变工况条件，急需一套完整的考虑变工况条件的轴承 故障诊断方法。 轴承故障发生往往伴随着振动信号的变化，因此可以通过检测、处理分析振动信 号来监测轴承的健康状态。轴承故障诊断通常包括三个步骤：采集轴承振动信号数据；提 取故障特征；状态识别和故障分类。由于轴承工作环境复杂多变，采集的振动信号是非线性 非平稳信号，传统的线性信号处理方法（如全息谱分析、短时傅里叶变换等）无法有效处理 轴承振动信号。近年来，小波分析、经验模态分解（empirical mode decomposition, EMD)等 一些非线性信号处理方法在机械设备状态监测和故障检测方面得到了大量应用。小波变换 具有数学显微镜和多分辨率的优良特性，但小波基的选择对分析结果影响很大，小波分析 本质上是一种可调节窗的快速傅里叶变换，不具备自适应信号分解的特性。EMD是一种自适 应信号分析方法，可以将原始信号分解为一系列正交的本征模态函数分量，但其分解过程 存在模态混淆、过包络、欠包络等问题。局部均值分解（local mean decomposition, LMD)是 由Smith提出来的一种新的自适应信号处理方法，在分解形式上和EMD方法相似，但是LMD 方法与EMD方法相比，具有更高的信号完整性保持能力，减少了迭代次数，同时能够更好地 避免超调对信号分解的影响。 本专利技术应用LMD方法对轴承振动信号进行分解以提取故障特征，但是LMD分解的 结果PFs往往包含很大的数据量，无法直接用作特征向量，因此应用奇异值分解（singular value decomposition, SVD)对PFs进行进一步地处理，以提取更加简约、更加稳定的故障 特征向量。奇异值分解（singular value decomposition, SVD)，是一种非常有效的信号处 理方法。在处理矩阵数据方面具有很好的稳定性，当矩阵元素发生小的变化时，矩阵奇异值 变化很小，同时具有比例不变性和旋转不变性。SVD在信号处理方面具有零相移、波形失真 小、信噪比高等优点，在特征信息分离和弱信号提取方面有良好效果。 在获取的故障特征向量的基础上，进行轴承故障状态分类。近年来，人工神经网 络（artificial neural network, ANN)和支持向量机（support vector machine, SVM)等 方法被应用于轴承的故障分类中，取得了一定成果。但ANN方法在应用中需要人为设定较 多的参数，训练速度慢，并容易陷入局部极值。而SVM同样面对着多参数难以选取的问题， 已有的一些参数优化方法往往又增加了 SVM的训练时间。极限学习机（extreme learning machine, ELM)是一种智能机器学习算法，该方法可以随机产生输入层和隐含层间的连接权 值和隐含层神经元的阈值，并且这些参数一旦确定后在训练过程中无需调整，因此，该方法 只需要设置隐含层神经元个数这一参数就可以获得唯一的最优解。与传统的训练方法相 t匕，具有学习速度快、泛化性能好、分类精度高的优良特性，已经在回归分析、大数据以及多 标签分类问题应用中表现出很好的性能。基于以上分析，本专利技术采用ELM对轴承的故障状 态进行分类。
技术实现思路
本专利技术提出基于LMD、SVD以及ELM相结合的故障诊断方法，对试验数据的分析结 果验证了该方法在轴承变工况条件下诊断的有效性，具有很好的实际工程应用价值。 本专利技术采用的技术方案为：一种基于LMD-SVD和极限学习机的轴承变工况故障诊 断方法，其特征在于：该方法的步骤如下： 步骤（1)、应用LMD分解原始振动信号，得到有限数目的PF信号分量； 步骤（2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征 值，以减小工况变化对特征值的影响； 步骤（3)、以提取的故障特征向量作为输入，应用ELM进行故障分类，确定当前数 据的故障模式。 进一步的，所述的步骤（1)具体为：应用自适应信号处理方法LMD对轴承非线性非 平稳的原始振动信号X (t)进行处理，获得若干个乘积函数（product functions, PFs),即本文档来自技高网...

【技术保护点】
一种基于LMD‑SVD和极限学习机的轴承变工况故障诊断方法，其特征在于：该方法的步骤如下：步骤(1)、应用LMD分解原始振动信号，得到有限数目的PF信号分量；步骤(2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征值，以减小工况变化对特征值的影响；步骤(3)、以提取的故障特征向量作为分类器的输入向量，应用ELM进行故障分类，实现变工况条件下轴承的故障诊断。

【技术特征摘要】
1. 一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法，其特征在于：该方法 的步骤如下： 步骤（1)、应用LMD分解原始振动信号，得到有限数目的PF信号分量； 步骤（2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征值， 以减小工况变化对特征值的影响； 步骤（3)、以提取的故障特征向量作为分类器的输入向量，应用ELM进行故障分类，实 现变工况条件下轴承的故障诊断。2. 根据权利要求1所述的一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方 法，其特征在于：应用自适应信号处理方法LMD对轴承非线性非平稳的振动信号进行处理， 获得若干个乘积函数（product functions, PFs)，其中，每一个PF分量都是一个包络信号 和一个具有物理意义的纯调频信号的...

【专利技术属性】
技术研发人员：吕琛，田野，马剑，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11