[发明专利]一种基于极限学习机的轴承故障诊断方法

权利要求书

1.一种基于极限学习机的轴承故障诊断方法，包括通过振动加速度传感器获取四种工况下的振动加速度信号，所述四种工况为正常运转、内环故障运转、滚动故障运转、外环故障运转，其特征在于，所述方法包括以下步骤：

步骤S110：对所述振动加速度信号通过变分模态分解VMD算法进行分解，得到K个IMF模态分量；

步骤S120：通过奇异值分解SVD算法得到各个所述IMF模态分量的奇异值；

步骤S130：将所述IMF模态分量的奇异值分为训练样本和测试样本两部分；

步骤S140：将训练样本的奇异值作为极限学习机ELM神经网络模型的输入值，进行深度学习训练，确定ELM神经网络模型的输入连接权值、偏置值及最优输出连接权值；

步骤S150：将测试样本的奇异值作为确定了输入连接权值、偏置值及最优输出连接权值的ELM神经网络模型的输入值，进行学习训练，网络训练的输出结果即为轴承故障诊断结果。

2.根据权利要求1所述的基于极限学习机的轴承故障诊断方法，其特征在于，所述步骤S110中通过VMD算法得到K个IMF模态分量包括：

步骤S111：对每个IMF模态分量函数μ_k(t)进行希尔伯特变换，得IMF模态分量的解析信号，表达式为其中，σ_t表示单位脉冲函数，j＝(1,2,.....k)；

步骤S112：对每个IMF模态分量的解析信号预估中心频率进行混合，并将每个IMF模态分量的频谱调制到相应的基频带，

[(σt+jπt)×μj(t)]e-jtωk;]]>

步骤S113：计算每个确定了基频带的IMF模态分量的解析信号的梯度的平方L²范数，得到对应的IMF模态分量表达式为

minμk,ωk{Σk||∂t[(σt+jπt)μk(t)]e-jtωk||22}s.tΣkμk=f,]]>

其中，表示偏导数，μk＝{μ1,μ2,.....μk}表示分解得到的K个IMF模态分量，ω_k表示IMF模态分量的中心频率，f表示所有IMF模态分量的求和；

步骤S114：引入二次惩罚因子α和Lagrang乘法算子λ，获得扩展的Lagrange算法，表达式为，

L(μk,ωk,λ)=αΣk||∂t[(σt+jπt)μk(t)]e-jtωk||22+||f-Σμk||22+<λ,f-Σμk>]]>

步骤S115：利用交替方向乘子算法ADMM求取扩展的Lagrange表达式的鞍点，得K个IMF模态分量。