基于分層的核極限學(xué)習(xí)機(jī)滾動(dòng)軸承故障診斷方法研究.pdf

1、滾動(dòng)軸承是機(jī)械設(shè)備的重要部件，長(zhǎng)期在復(fù)雜工況下服役，一旦發(fā)生劣化、損壞，存在重大安全隱患。針對(duì)其振動(dòng)信號(hào)存在非線性、非平穩(wěn)特性與狀態(tài)難以識(shí)別的問(wèn)題，若能及時(shí)對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)、有效診斷，對(duì)設(shè)備的安全、高效、穩(wěn)定運(yùn)行具有重要的意義。
　　本文以滾動(dòng)軸承為研究對(duì)象，基于小波包、集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)、排列熵(Permutation Entropy, PE

2、)、分層的核極限學(xué)習(xí)機(jī)(Hierarchical Kernel Extreme Learning Machine, H-K-ELM)等方法理論，采用理論算法研究與實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證相結(jié)合的總體思路，主要研究滾動(dòng)軸承運(yùn)行過(guò)程中的狀態(tài)識(shí)別算法。
　　具體研究?jī)?nèi)容：滾動(dòng)軸承的排列熵值特征提取方法和分層的核極限學(xué)習(xí)機(jī)狀態(tài)識(shí)別方法。
　　1.特征提取方面：首先，采用EEMD的方法對(duì)信號(hào)進(jìn)行分解，獲得表征信號(hào)內(nèi)在特征的本征模式分量(Intri

3、nsic Mode Function, IMF)分量；其次，求取各IMF分量的排列熵值，以此來(lái)構(gòu)建高維特征向量集。
　　2.狀態(tài)識(shí)別方面：先利用高斯核函數(shù)的內(nèi)積來(lái)表達(dá)ELM算法的隱含層輸出函數(shù)，自適應(yīng)確定隱含層節(jié)點(diǎn)數(shù)；然后使用自動(dòng)編碼器對(duì)其分層，使隱含層閾值與輸入權(quán)值滿足正交條件，消除其隨機(jī)性。
　　3.利用美國(guó)凱斯西儲(chǔ)大學(xué)滾動(dòng)軸承實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了上述方法的有效性。在此基礎(chǔ)上，使用內(nèi)蒙古自治區(qū)機(jī)電系統(tǒng)智能診斷與控制重點(diǎn)實(shí)驗(yàn)室的