第9期 2017年9月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)09008404
D0I:10. 13462/j. cnki. mmtamt. 2017. 09. 022
基于EEMD和 ELM的齿轮故障状态识别
魏永合，魏超，冯睿智，王晶晶
（沈阳理工大学机械工程学院，沈阳110159）
No.9 Sep.2017
摘要：由于传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢，致使齿轮轴承故障分类精度、效率差的问题，提出一种基于集合经验模态分解与极限学习机结合的齿轮诊断方法。首先将采集的信号经EEMD后，提取与原信号相关较大的IMF能量指标，建立齿轮的极限学习机故障分类模型；最后，将能量指标组成的特征向量作为模型输入进行齿轮不同故障状态的分类识别。把ELM 识别的结果与SVM识别结果作对比，结果表明ELM的齿轮故障诊断方法具有较快的运行速度、较高的分类精度。
关键词：极限学习机（ELM）：齿轮故障；故障识别
中图分类号：TH165.3;TG506
文献标识码：A
Gear Fault Diagnosis Method Based on the Extreme Learning Machine
WEI Yong-he, WEI Chao, FENG Rui-zhi, WANG Jing-jing
(School of Mechanical Engineering,ShenYang Ligong University, Shenyang 110159,China)
Abstract: Because of the traditional intelligent fault diagnosis method is needed to adjust many paramaters that is difficult to determine and has slow training speed,the rolling bearing fault classification accuracy and efficiency is not satisfied. In this paper,a gear fault diagnosis method based on extreme learning machine is e Then,fault classification model based on extreme learning machine of gear is established. Finally, the feature vector of energy index is inputed to the model to identify the different failure states. The experimental results show that compared with the SVM gear fault diagnosis method based on extreme learning machine has faster speed and higher classification accuracy.
Key words : extreme learning machine; gear fault;fault recognition
0引言
齿轮作为机械设备中的关键零部件，整台设备的性能与齿轮运行状态的正常与否有直接关系。因此，齿轮相关的故障诊断技术一直是故障诊断领域的研究热点。随着人工智能的发展，各种智能诊断方法也不断融人故障诊断领域。如：ELM（ExtremeLearningMa chine)模型具有学习速度快，良好泛化性以及良好的自适应性与有效性得到广泛的应用，并经过许多学者的努力，该算法已逐渐在模式识别、故障诊断、数据回归预测等领域的实际应用中薪露头角。
目前，极限学习机技术已经被国内的学者们应用到故障识别领域中。比如：秦波、刘永亮等[1-2]将采集的信号经EMD后，提取与原信号相关度较大的IMF 能量指标。把IMF分量的能量比作为模型输入量进行滚动轴承不同故障状态的分类识别。刘艳、陈丽安等[34]提出把故障信号高频部分边际谱能量比例和故障信号总能量作为故障特征融合诊断的方法，实现对
收稿日期：2016-1107；修回日期：201612-20*基金项目：辽宁省科技工业公关项目（2013220022）
高压断路器机械故障诊断的特征提取，并采用极限学习机对真空断路器机械故障进行故障分类。张酬萍、缪希仁等[56]等采用经验模态分解提取IMF分量，然后将IMF分量与总能量比值作为极限学习机的输人向量，利用极限学习机实现对不同负载电孤故障的识别。但是由于EMD存在严重的模态混登现象，这影响特征向量的提取，从而影响识别效果。所以本文应用 EEMD代替EMD进行降噪并且进行特征提取，这会大大提高识别效果。
EEMD特征提取 1
集合经验模态分解（EEMD）属于噪声辅助分析方法，通过把加入定量的白噪声加入到分析信号中，可以降低EMD的模态混叠。该方法将经过EMD得到的 IMF进行多次平均，从而得到最终的IMF，选择与原信号相关系数高的IMF分量能量值作为特征向量。
EEMD能量特征提取的步骤如下：
(1)EMD的执行数设置为M并且加人高斯白噪
作者简分数据971一），男，河北邯郸人，沈阳理工大学教授，博士，研究方向为先进制造技术、企业流程管理、设备管理和制造业信息化技术，
(E =mail) yonghewe sina. com。