The present invention provides a method for bearing fault diagnosis based on extreme learning machine, which belongs to the technical field of mechanical fault diagnosis, including the vibration acceleration signal is decomposed IMF variational modal modal component; decomposition SVD algorithm IMF modal component of the singular value by singular value; singular value IMF modal component is divided into two parts: training sample and test sample; the training samples of the singular values as extreme learning machine ELM neural network model to determine the input value, ELM neural network model input connection weights and bias value and optimal output weights; the test sample of the singular value as identified in the ELM neural network model of input connection weights and bias value and optimal output connection the weights of the input value, the output is the result of fault diagnosis of bearing. The method can accurately realize the effective separation of signals, has the advantages of fast convergence of the component signal mode, high robustness, fast fault identification speed, high accuracy, no need to establish the model, and reduces the professional requirements, and is suitable for industrial application.
【技术实现步骤摘要】
一种基于极限学习机的轴承故障诊断方法
本专利技术涉及机械故障诊断
,尤其涉及一种基于极限学习机的轴承故障诊断方法。
技术介绍
滚动轴承具有一个突出的特点,其寿命离散程度非常大。若仅呆板地按照设计寿命对轴承进行定期维修,是很不科学的。轴承使用中,要随时进行工况的监测和故障的判别。这样不仅可以防止设备工作精度下降,减少事故发生的机率,还可以最大限度地发挥轴承的工作潜力,节省开支。轻微损伤的轴承可以从使用情况,特别是轴承工作表面的磨损状况、磨损轨迹等征兆来推断出其失效的真正原因。损伤严重的轴承是因突发事故而完全报废的轴承,最终的破损状况往往早已掩盖了初始损伤的痕迹,暴露出来的只是轴承最终咬死和烧毁的现象,以及已破损的轴承零件的残骸。这些原因使得人们容易混淆轴承损伤的最主要根源,只能从轴承的工作条件、润滑状况、支承的整体结构以及损伤的形式做出推断,并借助其他科学的分析方法来验证。因此准确及时了解机械装备中的重要轴承的运行状况,对于保障机械装备的正常运转有着十分重要的意义。通过传感器对轴承作振动监测,获取轴承故障的大量信息,基于轴承故障的机理,分析其故障特征,从而对轴承故障作出科学的判断,而现有滚动轴承故障诊断方法需建立诊断模型,且不能及时准确的进行故障判断。
技术实现思路
本专利技术的目的在于提供了一种能够准确实现信号有效分离,故障识别速度快,准确率高,无需建立模型,诊断快捷方便的基于极限学习机的轴承故障诊断方法,以解决上述
技术介绍
所述的建立诊断模型,诊断不及时且准确率不高的问题。为了实现上述目的,本专利技术采取了如下技术方案:一种基于极限学习机的轴承故障诊断方 ...
【技术保护点】
一种基于极限学习机的轴承故障诊断方法,包括通过振动加速度传感器获取四种工况下的振动加速度信号,所述四种工况为正常运转、内环故障运转、滚动故障运转、外环故障运转,其特征在于,所述方法包括以下步骤:步骤S110:对所述振动加速度信号通过变分模态分解VMD算法进行分解,得到K个IMF模态分量;步骤S120:通过奇异值分解SVD算法得到各个所述IMF模态分量的奇异值;步骤S130:将所述IMF模态分量的奇异值分为训练样本和测试样本两部分;步骤S140:将训练样本的奇异值作为极限学习机ELM神经网络模型的输入值,进行深度学习训练,确定ELM神经网络模型的输入连接权值、偏置值及最优输出连接权值;步骤S150:将测试样本的奇异值作为确定了输入连接权值、偏置值及最优输出连接权值的ELM神经网络模型的输入值,进行学习训练,网络训练的输出结果即为轴承故障诊断结果。
【技术特征摘要】
1.一种基于极限学习机的轴承故障诊断方法,包括通过振动加速度传感器获取四种工况下的振动加速度信号,所述四种工况为正常运转、内环故障运转、滚动故障运转、外环故障运转,其特征在于,所述方法包括以下步骤:步骤S110:对所述振动加速度信号通过变分模态分解VMD算法进行分解,得到K个IMF模态分量;步骤S120:通过奇异值分解SVD算法得到各个所述IMF模态分量的奇异值;步骤S130:将所述IMF模态分量的奇异值分为训练样本和测试样本两部分;步骤S140:将训练样本的奇异值作为极限学习机ELM神经网络模型的输入值,进行深度学习训练,确定ELM神经网络模型的输入连接权值、偏置值及最优输出连接权值;步骤S150:将测试样本的奇异值作为确定了输入连接权值、偏置值及最优输出连接权值的ELM神经网络模型的输入值,进行学习训练,网络训练的输出结果即为轴承故障诊断结果。2.根据权利要求1所述的基于极限学习机的轴承故障诊断方法,其特征在于,所述步骤S110中通过VMD算法得到K个IMF模态分量包括:步骤S111:对每个IMF模态分量函数μk(t)进行希尔伯特变换,得IMF模态分量的解析信号,表达式为其中,σt表示单位脉冲函数,j=(1,2,.....k);步骤S112:对每个IMF模态分量的解析信号预估中心频率进行混合,并将每个IMF模态分量的频谱调制到相应的基频带,步骤S113:计算每个确定了基频带的IMF模态分量的解析信号的梯度的平方L2范数,得到对应的IMF模态分量表达式为其中,表示偏导数,μk={μ1,μ2,.....μk}表示分解得到的K个IMF模态分量,ωk表示IMF模态分量的中心频率,f表示所有IMF模态分量的求和;步骤S114:引入二次惩罚因子α和Lagrang乘法算子λ,获得扩展的Lagrange算法,表达式为,
【专利技术属性】
技术研发人员:王志鹏,周强,秦勇,贾利民,
申请(专利权)人:北京交通大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。