The invention relates to a rolling bearing fault prediction method of a partial least squares extreme learning machine. Firstly, several characteristic indexes such as time domain, frequency domain and time-frequency domain are analyzed, and a feature extraction method based on the combination of semi-normal distribution and empirical wavelet denoising is proposed. The fault diagnosis of rolling bearing is carried out, which is close to the original signal and achieves better denoising effect. Aiming at the comprehensive evaluation of rolling bearing failure decay characteristics by multi-feature parameters, a method combining residual improved ISOMAP non-linear feature dimension reduction method with fuzzy C-means is proposed to improve the change trend and classification accuracy of rolling bearings in different decay stages. Based on the theory of extreme learning mechanism, a data prediction model of extreme learning machine based on partial least squares method is proposed. The parameters in ELM are optimized, the number of nodes in the optimal hidden layer and the weight of the connecting layer are selected, and the activation function of Softmax is selected. In this way, the prediction accuracy is high, the calculation time is short, and the prediction effect of clustered eigenvalues is good. Through the above steps, the rolling bearing fault stage is accurately predicted.
【技术实现步骤摘要】
基于偏最小二乘法极限学习机的滚动轴承故障预测方法
本专利技术属于旋转机械故障预测方法的研究领域,具体涉及基于半正态分布与EWT相结合的数据降噪,并采用模糊C均值结合等距离映射的技术对非线性信号进行降维处理的方法。
技术介绍
现代工业设备由于其大规模、高复杂性、多变量、运行于闭环控制的特点,会存在导致设备故障的许多不可预防的影响因素。因此,设备功能丧失引起的一系列灾难性事故不在少数。人们也渐渐意识到设备的状态检测与故障预测在保证机组安全可靠地运行,预防事故中起到至关重要的作用。滚动轴承作为旋转机械重要的零部件之一,其运行状态的稳定性直接关系到整体设备的工作性能。有效预测滚动轴承的故障位置,正确识别滚动轴承性能衰退阶段,对降低危险事故的发生率和设备的健康管理都具有重要意义。国外方面,20世纪60年代,滚动轴承状态监测技术开始迅速发展。1962年,Gustafsson和Tallian研究发现可以通过滚动轴承振动加速度信号的峰值变化来振动轴承的早期故障。1974年,美国波音公司的D.R.Harting开启了共振解调
的先锋。1998年,NordenE.Huang等人提出了一种新型信号处理方法Hilbert-Huang变换,将信号分解成多个IMF分量并进行Hilbert变换。国内方面,20世纪80年代开始出现滚动轴承故障检测的相关研究。2014年,胥永刚等提出将双树复小波变换和独立分量分析(ICA)结合的故障诊断方法,该方法有效地分离和提取了滚动轴承复合故障的特征信息。隋文涛等又提出基于EMD与最大峭度解卷积(MKD)相结合的方法,对重构信号进行最大峭度解卷积 ...
【技术保护点】
1.一种基于偏最小二乘法极限学习机的滚动轴承故障预测方法,其特征在于,包括以下步骤:步骤一;基于半正态分布‑EWT的信号降噪;分析时域、频域、时频域等多个特征指标,反应滚动轴承的故障诊断能力,提出新的半正态分布与经验小波变换相结合的理论算法;步骤二;基于C‑ISOMAP的特征降维;同时针对多特征参数对滚动轴承故障衰退特征进行评价,并对特征降维的多种方法进行理论分析,提出了残差改进的ISOMAP非线性特征降维方法与模糊C均值结合的方法;在滚动轴承整个监测过程中,不仅可以区分轴承不同损伤程度,而且可以对滚动轴承退化趋势进行预测和分类;将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C聚类模型;步骤三;基于PLS‑ELM的滚动轴承故障预测;在极限学习机基本理论的基础上,提出基于偏最小二乘法极限学习机的故障阶段预测方法,采用偏最小二乘法对ELM中的参数进行优化,选取最优隐含层节点数和各连接层权值,并选取Softmax激活函数。
【技术特征摘要】
1.一种基于偏最小二乘法极限学习机的滚动轴承故障预测方法,其特征在于,包括以下步骤:步骤一;基于半正态分布-EWT的信号降噪;分析时域、频域、时频域等多个特征指标,反应滚动轴承的故障诊断能力,提出新的半正态分布与经验小波变换相结合的理论算法;步骤二;基于C-ISOMAP的特征降维;同时针对多特征参数对滚动轴承故障衰退特征进行评价,并对特征降维的多种方法进行理论分析,提出了残差改进的ISOMAP非线性特征降维方法与模糊C均值结合的方法;在滚动轴承整个监测过程中,不仅可以区分轴承不同损伤程度,而且可以对滚动轴承退化趋势进行预测和分类;将滚动轴承的正常振动信号和最终失效故障信号作为训练数据,建立模糊C聚类模型;步骤三;基于PLS-ELM的滚动轴承故障预测;在极限学习机基本理论的基础上,提出基于偏最小二乘法极限学习机的故障阶段预测方法,采用偏最小二乘法对ELM中的参数进行优化,选取最优隐含层节点数和各连接层权值,并选取Softmax激活函数。2.根据权利要求1所述的一种基于偏最小二乘法极限学习机的滚动轴承故障预测方法;首先要分析轴承振动信号,滚动轴承中当噪声信号足够大而覆盖了有用信息时,直接采用经验小波降噪去掉噪声信号,但经验小波变换应用传统的极大值在划分频率带时,紧支撑和宽支撑若是相邻的频带,其分界线会落在宽支撑内,无法辨别;其特征在于:步骤一具体步骤如下:步骤一一;由于滚动轴承原始振动信号是受大量、独立均匀小效应影响的随机变量,服从半正态分布;应用正态分布的公式确定频率带区间个数:式中,σ代表数据的标准差;步骤一二;确定区间个数后,应用EWT划分频率带区间得到含有噪声的高频AM-FM分量,并对其信...
【专利技术属性】
技术研发人员:王亚萍,崔巍,葛江华,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江,23
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。