[发明专利]一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法

说明书

技术领域

本发明涉及轴承变工况故障诊断的技术领域，具体涉及一种基于局部均值分解(local mean decomposition,LMD)、奇异值分解(singular value decomposition,SVD)和极限学习机(extreme learning machine,ELM)的故障诊断方法。

背景技术

随着现代化大生产的不断发展和科学技术的不断进步，机电系统的规模越来越大，结构越来越复杂，人们对设备可靠、安全运行的要求越来越高。轴承是旋转机械中重要且常见的部件，其性能好坏对整个系统的可靠运作有着至关重要的影响。轴承故障可能导致旋转机械的突然停机，进而导致整个系统的瘫痪，带来巨大的经济损失甚至是人员伤亡。因此，轴承的性能检测及故障诊断方法在工业应用中具有重要意义，已经成为一个国内外相关领域的研究热点。由于轴承工作环境复杂多变，变工况因素制约了多数故障诊断方法的精度，而目前的诊断方法较少考虑变工况条件，急需一套完整的考虑变工况条件的轴承故障诊断方法。

轴承故障发生往往伴随着振动信号的变化，因此可以通过检测、处理分析振动信号来监测轴承的健康状态。轴承故障诊断通常包括三个步骤：采集轴承振动信号数据；提取故障特征；状态识别和故障分类。由于轴承工作环境复杂多变，采集的振动信号是非线性非平稳信号，传统的线性信号处理方法(如全息谱分析、短时傅里叶变换等)无法有效处理轴承振动信号。近年来，小波分析、经验模态分解(empirical mode decomposition,EMD)等一些非线性信号处理方法在机械设备状态监测和故障检测方面得到了大量应用。小波变换具有数学显微镜和多分辨率的优良特性，但小波基的选择对分析结果影响很大，小波分析本质上是一种可调节窗的快速傅里叶变换，不具备自适应信号分解的特性。EMD是一种自适应信号分析方法，可以将原始信号分解为一系列正交的本征模态函数分量，但其分解过程存在模态混淆、过包络、欠包络等问题。局部均值分解(local mean decomposition,LMD)是由Smith提出来的一种新的自适应信号处理方法，在分解形式上和EMD方法相似，但是LMD方法与EMD方法相比，具有更高的信号完整性保持能力，减少了迭代次数，同时能够更好地避免超调对信号分解的影响。

本发明应用LMD方法对轴承振动信号进行分解以提取故障特征，但是LMD分解的结果PFs往往包含很大的数据量，无法直接用作特征向量，因此应用奇异值分解(singular value decomposition,SVD)对PFs进行进一步地处理，以提取更加简约、更加稳定的故障特征向量。奇异值分解(singular value decomposition,SVD)，是一种非常有效的信号处理方法。在处理矩阵数据方面具有很好的稳定性，当矩阵元素发生小的变化时，矩阵奇异值变化很小，同时具有比例不变性和旋转不变性。SVD在信号处理方面具有零相移、波形失真小、信噪比高等优点，在特征信息分离和弱信号提取方面有良好效果。

在获取的故障特征向量的基础上，进行轴承故障状态分类。近年来，人工神经网络(artificial neural network,ANN)和支持向量机(support vector machine,SVM)等方法被应用于轴承的故障分类中，取得了一定成果。但ANN方法在应用中需要人为设定较多的参数，训练速度慢，并容易陷入局部极值。而SVM同样面对着多参数难以选取的问题，已有的一些参数优化方法往往又增加了SVM的训练时间。极限学习机(extreme learning machine,ELM)是一种智能机器学习算法，该方法可以随机产生输入层和隐含层间的连接权值和隐含层神经元的阈值，并且这些参数一旦确定后在训练过程中无需调整，因此，该方法只需要设置隐含层神经元个数这一参数就可以获得唯一的最优解。与传统的训练方法相比，具有学习速度快、泛化性能好、分类精度高的优良特性，已经在回归分析、大数据以及多标签分类问题应用中表现出很好的性能。基于以上分析，本发明采用ELM对轴承的故障状态进行分类。

发明内容

本发明提出基于LMD、SVD以及ELM相结合的故障诊断方法，对试验数据的分析结果验证了该方法在轴承变工况条件下诊断的有效性，具有很好的实际工程应用价值。

本发明采用的技术方案为：一种基于LMD-SVD和极限学习机的轴承变工况故障诊断方法，其特征在于：该方法的步骤如下：

步骤(1)、应用LMD分解原始振动信号，得到有限数目的PF信号分量；