[发明专利]一种基于PCA与ELM的滚动轴承故障诊断方法

说明书

本发明涉及一种基于PCA与ELM的滚动轴承故障诊断方法，属于故障诊断技术与信号处理分析技术领域。该发明方法首先利用固有时间尺度分解(Intrinsic Time‑sale Decomposition,ITD)对振动信号进行分解，再利用相关系数对固有旋转(PR)分量进行筛选，并计算各所选PR分量的熵值与时域特征；然后，利用主成分分析(Principal Component Analysis,PCA)将得到的特征进行降维处理，利用降维后的特征集建立极限学习机(ELM)故障诊断模型，实现对滚动轴承状态的识别。本发明解决了滚动轴承故障单一特征难以准确反映轴承状态，而多特征虽然包含了较多轴承状态信息，但维数的增加导致模式识别算法性能的下降问题。轴承实验表明该方法能够有效地识别轴承状态，而且，该方法原理简单，实用性强。

技术领域

本发明涉及一种基于PCA与ELM的滚动轴承故障诊断方法，属于机械故障诊断及信号处理领域。

技术背景

随着工业化的发展，越来越多的行业采用大型自动化设备进行生产，而滚动轴承作为大型自动化机械设备常用的部件之一，若其发送故障，会对正常的生产生活造成难以估量的经济损失，甚至威胁到人身安全。因此，对滚动轴承进行故障诊断就显得尤为重要。

滚动轴承的振动信号是一种典型的非平稳信号，通常利用小波分解、经验模态分解信号处理方法。但是人为选取的小波基对小波分解的效果影响较大，因而小波分解被自适应分解算法所替代；而自适应分解的EMD算法又会产生端点效应与过分解问题。

特征提取是故障诊断的关键之一，单一特征虽然可以对某种工况下的轴承进行诊断与分析；但是单一特征难以全面的反映轴承的运行状态，在复杂工况下，多特征能够更加全面的表征轴承状态。如刘晓东利用多特征参数对燃油泵进行故障诊断；潘海洋提取多个奇异值作为特征，对滚动轴承故障类型进行识别；刘敏利用27维特征对柴油机进行故障诊断与分析。但以上方法采用的多维特征容易产生冗余性，造成分类器性能的降低。

发明内容

针对上述问题，本发明提供了一种基于PCA与ELM的滚动轴承故障诊断方法，利用固有时间尺度分解(ITD)对振动信号进行分解，再利用相关系数对PR分量进行筛选，并计算各所选PR分量的熵值与时域特征；然后，利用主成分分析(PCA)将得到的特征进行降维处理，利用降维后的特征集建立极限学习机(ELM)故障诊断模型，实现对滚动轴承状态的识别。

本发明采用的技术方案是：一种基于PCA与ELM的滚动轴承故障诊断方法，具体步骤如下：

Step1.首先对原始故障信号进行固有时间尺度分解ITD分解，得到若干PR分量；

Step2.计算出各个PR分量的互相关系数；

Step3.设定一个阈值，将求出的互相关系数与设定的阈值进行比较，筛选出大于阈值的互相关系数所对应的PR分量；其中，小于该阈值的PR分量作为虚假分量进行剔除，保留的PR分量是富含状态特征信息的主分量；

Step4.计算筛选后PR分量的能量熵和时域特征，并构造高维特征矩阵；

Step5.利用PCA算法对高维特征进行降维，根据累积贡献率变化选取不同个数的主元作为新的特征集；

Step6.将得到的降维特征集输入极限学习机ELM的分类器中进行训练，对轴承状态进行识别。

具体地，所述Step1中固有时间尺度分解算法的原理如下：

设X_t为待分解的实值离散信号，定义L为基线提取算子，H_t为固有旋转量,L_t为基线分量，ITD算法步骤如下：