[发明专利]一种基于极限学习机的轴承故障诊断方法

说明书

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于极限学习机的轴承故障诊断方法。

背景技术

滚动轴承具有一个突出的特点，其寿命离散程度非常大。若仅呆板地按照设计寿命对轴承进行定期维修，是很不科学的。轴承使用中，要随时进行工况的监测和故障的判别。这样不仅可以防止设备工作精度下降，减少事故发生的机率，还可以最大限度地发挥轴承的工作潜力，节省开支。

轻微损伤的轴承可以从使用情况，特别是轴承工作表面的磨损状况、磨损轨迹等征兆来推断出其失效的真正原因。损伤严重的轴承是因突发事故而完全报废的轴承，最终的破损状况往往早已掩盖了初始损伤的痕迹，暴露出来的只是轴承最终咬死和烧毁的现象，以及已破损的轴承零件的残骸。这些原因使得人们容易混淆轴承损伤的最主要根源，只能从轴承的工作条件、润滑状况、支承的整体结构以及损伤的形式做出推断，并借助其他科学的分析方法来验证。

因此准确及时了解机械装备中的重要轴承的运行状况,对于保障机械装备的正常运转有着十分重要的意义。通过传感器对轴承作振动监测,获取轴承故障的大量信息,基于轴承故障的机理,分析其故障特征,从而对轴承故障作出科学的判断，而现有滚动轴承故障诊断方法需建立诊断模型，且不能及时准确的进行故障判断。

发明内容

本发明的目的在于提供了一种能够准确实现信号有效分离，故障识别速度快，准确率高，无需建立模型，诊断快捷方便的基于极限学习机的轴承故障诊断方法，以解决上述背景技术所述的建立诊断模型，诊断不及时且准确率不高的问题。

为了实现上述目的，本发明采取了如下技术方案：

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，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。

进一步的，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，

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

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，

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。

进一步的，所述步骤S115中求取扩展的Lagrange表达式的鞍点包括，

步骤一：初始化μ_k¹，ω_k¹，λ¹；

步骤二：执行循环：n＝n+1；

步骤三：更新μ_k:

更新ω_k:

步骤四：更新λ:

步骤五：重复步骤一至步骤四，直到满足迭代停止条件

结束迭代，得扩展的Lagrange表达式的鞍点。