第4期 2017年4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)04010704
DOI: 10. 13462/j. cenki. mmtamt. 2017. 04. 027
基于VMD与分层极限学习机的滚动轴
承故障诊断方法研究
秦波，孙国栋，王建国
（内蒙古科技大学机械工程学院，内蒙古包头014010）
No.4 Apr.2017
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的问题，为实现滚动轴承故障的智能诊断，提出基于VMD排列炳与分层极限学习机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），利用排列筛进一步提取各模态特征组成高维特征向量集；其次利用自动编码器（AutomaticEncoder，AE）对极限学习机的稳含层进行分层，且使隐含层节点的输入权值和阅值满足正交条件；最后将构建的特征向量作为H-ELM算法的输入，通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明：H-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
中图分类号：TH165;TG506
文献标识码：A
Research on Rolling Bearing Fault Diagnosis Method Based on VMD
and Hierarchical Extreme Learning Machine QIN Bo, SUN Guo-dong, WANG Jian-guo
( School of Mechanical Engineering, Inner Mongolia University of Science & Technology , Baotou Inner Mongo-lia 014010,China)
Abstract : According to the irregularity characteristics of the rolling bearing signals, cause the bearing condi-tion is difficult to identify , and the hierarchical extreme learning machine fault diagnosis model is proposed. Firstly, the measured vibration signals are decomposed into variational mode decomposition, using the per-mutation entropy to extract the features of each model to form a high dimensional feature vector set; Second-ly, the hidden layer of the extreme learming machine is layered by using automatic encoder, and the input value and threshold value of the hidden layer nodes are satisfied; Finally, the combined feature vector is used as the input of the algorithm, and the fault classification model of the rolling bearing of the hierarchical extreme learning machine is established. The experimental results show that the H-ELM rolling bearing faull classification model is better than ELM, and the SVM fault classification model has higher accuracy and stronger stability
Key words : rolling bearing; variational mode decomposition; automatic encoder; extreme learning machine
0引言
滚动轴承工作状态正常与否直接关系着机械设备乃至整个系统的运行状态，因此需要对滚动轴承实施状态嫉测和故障诊断)。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。而传统的时频域分析方法大多针对线性、稳态信号的分析，因此难以精确、稳定地识别轴承的故障2
目前，为了精确、稳定地识别轴承的故障类型，国内外科研工作者提出了一系列的方法。文献[3]提出-种GA和LM组合优化BP神经网络的故障诊断方
法，实验结果表明，组合优化后的BP神经网络具有更高的诊断效率和精度。钟小风等4通过主成分分析方法(PCA)对滚动轴承的故障特征进行特征提取，将提取后的特征向量输入到最小二乘支持向量机故障诊断模型中实现滚动轴承的故障诊断。虽然上述方法具有一定的有效性，但BP神经网络学习时间较长、易造成欠拟合和陷人局部最优解等缺陷。SVM支持向量机与BP相比具有了更强的稳定性，并能确保局部和全局最优解完全相同。但SVM模型的低稀疏度使其在处理大样本数据时训练时间大幅度增加。Huang3提出的极限学习机具有训练时间短、泛化能力强且适合
收稿日期：20160802；修回日期：20160901
*基金项目：国家自然科学基金（51565046）；内蒙古自然科学基金（2015MS0512）；内蒙古科技大学创新基金(2015QDL12）
作者简介：秦波(1980一）男，河南南阳人，内蒙古科技大学讲师，工学预士，研究方向为复杂工业过程建模、优化及故障修斯，（E-mail）nkdqb@
163.com；通讯作者：孙国栋(1992—一），男，山东聊城人，内蒙古科技大学预土研究生，研究方向为机电系统智能诊断，（E-mail）g-dyl121115@o 163, com,
万方数据