一种基于极限学习机的轴承故障诊断方法技术

本发明专利技术提供了一种基于极限学习机的轴承故障诊断方法，属于机械故障诊断技术领域，包括对振动加速度信号进行变分模态分解得到IMF模态分量；通过奇异值分解SVD算法得到IMF模态分量的奇异值；将IMF模态分量的奇异值分为训练样本和测试样本两部分；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，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；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，输出结果即为轴承故障诊断结果。本发明专利技术能够准确实现信号有效分离，分量信号模态收敛快、鲁棒性高，故障识别速度快，准确率高，无需建立模型，降低了专业要求，适于工业应用。

A bearing fault diagnosis method based on extreme learning machine

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，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。进一步的，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，步骤S115：利用交替方向乘子算法ADMM求取扩展的Lagrange表达式的鞍点，得K个IMF模态分量。进一步的，所述步骤S115中求取扩展的Lagrange表达式的鞍点包括，步骤一：初始化μk1，ωk1，λ1；步骤二：执行循环：n＝n+1；步骤三：更新μk:更新ωk:步骤四：更新λ:步骤五：重复步骤一至步骤四，直到满足迭代停止条件结束迭代，得扩展的Lagrange表达式的鞍点。进一步的，所述步骤S120中通过SVD算法得到IMF模态分量的奇异值包括：将K个IMF模态分量构建信号数据m×n阶矩阵H其中，U∈Rm×m和V∈Rn×n均是正交矩阵,Ar＝diag(σ1,σ2,…,σr)，σi(i＝1,2,…,r)表示H的奇异值，且σ1≥…≥σr≥0，r表示H的秩，μi、νi分别为方阵HHT和HTH的第i个特征向量。进一步的，所述步骤S140中确定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包括：计算ELM神经网络隐藏层输出矩阵F，所述ELM神经网络模型的输出表达式可简写为Fβ＝Y，其中，β表示隐藏层神经元的输出连接权值，L表示ELM神经网络隐藏层神经元个数，N表示训练样本个数，Y是期望输出值；确定β的最小二乘解，输出公式为：其中，F+表示隐藏层输出矩阵F的Moore-Penrose广义逆，最小二乘解即为最优输出连接权值βi；ELM神经网络模型的输出表达式为其中，xi(i＝1,2,…,N)表示训练样本的奇异值组成的输入向量，yi(i＝1,2,…,N)表示训练样本网络输出向量，αi是连接第i个隐藏层神经元的输入连接权值，bi是第i个隐藏层神经元的偏置值，G表示激活函数。本专利技术有益效果：在VMD分解过程中通过循环迭代求取约束变分问题的最优解来确定分解得到的固有模态分量的频率中心及带宽，实现信号各频率成分的有效分离，且分解信号具有收敛快、鲁棒性高；采用SVD分解的方法对VMD分解得到的信号进一步进行故障特征提取，从而达到提取信号本质特征和降维的目的，提高了故障识别的速度和识别准确率，无需建立模型，即可实现故障的检测和识别，降低了专业要求，增加了工程应用性。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所述的滚动轴承故障诊断方法流程图。图2为本专利技术实施例所述的ELM神经网络结构模型图。图3为本专利技术实施例所述的在正常运转状态下VMD分解得到的振动信号频谱图。图4为本专利技术实施例所述的在内环故障运转状态下VMD分解得到的振动信号频谱图。图5为本专利技术实施例所述的在滚动故障运转状态下VMD分解得到的振动信号频谱图。图6为本专利技术实施例所述的在外环故障运转状态下VMD分解得到的振动信号频谱图。图7为本专利技术实施例所述的故障诊断结果对比图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者本文档来自技高网...

【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