VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用.pdfVIP

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用--第1页

龙源期刊网

VMD能量熵与核极限学习机在滚动轴承故

障诊断中的应用

作者：秦波王祖达孙国栋王建国

来源：《中国测试》2017年第05期

摘要：针对滚动轴承信号的不规则特性，致使信号故障特征难提取及难以辨识，为实现

滚动轴承故障的智能诊断，提出基于VMD能量熵与核极限学习机（kernelextremelearning

machine，K-ELM）的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解

（variationalmodedecomposition，VMD），利用能量熵进一步提取各模态特征组成高维特征

向量集；然后将构建的特征向量作为K-ELM算法的输入，通过训练建立K-ELM滚动轴承故

障分类模型。实验结果表明：VMD能够很好地分解轴承振动信号，且K-ELM滚动轴承故障

分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。

关键词：滚动轴承；变分模态分解；自动编码器；极限学习机

文献标志码：A文章编号：1674-5124（2017）05-0091-05

Abstract：

bearingconditionidentifieddifficultly，thekernelextremelearningmachinefaultdiagnosismodelis

proposed.Firstly，themeasuredvibrationsignalsaredecomposedintovariationalmode

decomposition，usingtheenergyentropytoextractthefeaturesofeachmodeltoformahigh

dimensionalfeaturevectorset.Secondly，thecombinedfeaturevectorisusedastheinputofthe

algorithm，

machineisestablished.TheexperimentalresultsshowthattheK-ELMrollingbearingfault

classificationmodelisbetterthanELM，andtheSVMfaultclassificationmodelhashigheraccuracy

andstrongerstability.

Keywords：rollingbearing；variationalmodedecomposition；automaticencoder；extreme

learningmachine

引0言

滚动轴承是机械设备中最常用的部件，在工作过程中，由于装配不当、润滑不良、水分和

异物侵入、腐蚀或过载等都可能使轴承损坏[1]。但是由于加工工艺、工作环境等原因造成其

信号非线性、非平稳，而不能有效地检测出故障信号的动力学突变，因此难以精确、稳定地识

别轴承的故障类型[2]。

目前，为了高效地对非线性、非平稳性信号进行处理，提出一系列信号处理方法，在特征

提取方面有维格纳-威尔分布（wigner-villedistribution，WVD）[3]、小波变换（wavelet

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用--第1页

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用--第2页

龙源期刊网