[发明专利]一种基于SSAE和BA-ELM的滚动轴承故障诊断方法

说明书

本发明提出一种基于SSAE和BA‑ELM的滚动轴承故障诊断方法，包括以下步骤；步骤A1：采集滚动轴承正常、滚动体故障、外圈故障、内圈故障四种类型的时域信号；步骤A2：对每组时域信号的各个样本进行迭代滤波分解，从各样本中得到包含不同时间尺度的本征模态分量；步骤A3：对每个样本前K个本征模态分量计算相对能量和排列熵；步骤A4：计算每组时域信号的时域特征；步骤A5：利用堆叠稀疏自动编码器SSAE对上述特征进行降维，将降维的结果作为故障特征；步骤A6：利用蝙蝠算法优化极限学习机BA‑ELM实现滚动轴承工作状态和故障类型的识别；本发明可以解决常用的信号处理方法缺乏足够的鲁棒性，数据降维方法难以保留最有效的特征以及不同故障程度分类精度低等问题。

技术领域

本发明涉及滚动轴承故障诊断技术领域，尤其是一种基于SSAE和BA-ELM的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中重要的组成部件之一，高温高压、交变载荷等恶劣的工作环境使得滚动轴承是机械设备中最易损坏的零件之一。滚动轴承的健康状况与生产效益息息相关，一旦发生故障，必然造成一定的经济损失，严重的还会危及到人身安全。所以若能够及时、准确地对滚动轴承的工作状况做出反馈，将能够最大程度地减少损失。

振动信号包含了丰富的故障信息，滚动轴承故障诊断关键的一步是从振动信号中提取轴承状态信息，由于振动信号是非线性非平稳的，对有效信息的提取造成了一定的困难。时频分析是一种有效的信号处理方法，经验模态分解能够根据信号自身特性将信号分解为一组本征模态分量，但过包络、欠包络和模态混叠等问题使得在应用该方法处理信号时不能取得满意的效果。为解决这些问题，在经验模态分解的基础上，进一步提出了总体经验模态分解(EEMD)、互补总体经验模态分解(CEEMD)等，但这些方法在信号的处理效率方面依然有待提高。迭代滤波分解(IFD)是EMD的一种改进方法，不仅处理效率高，对噪声的鲁棒性也明显由于EMD方法，能够有效抑制模态混叠。

在分类处理中，特征维数过高，存在冗余特征与噪声特征会影响分类器的训练结果，对此需要对特征降维。堆叠稀疏自动编码器能够从大量数据中选取最有效的特征，因此堆叠稀疏自动编码器可以用于数据降维。

极限学习机是一种单隐层前馈神经网络，具有学习速度快、泛化性能好的优点，利用蝙蝠算法优化隐藏层的权值和偏置能够进一步提高极限学习机的性能。

发明内容

本发明提出一种基于SSAE和BA-ELM的滚动轴承故障诊断方法，可以解决常用的信号处理方法缺乏足够的鲁棒性，数据降维方法难以保留最有效的特征以及不同故障程度分类精度低等问题。

本发明采用以下技术方案。

一种基于SSAE和BA-ELM的滚动轴承故障诊断方法，所述诊断方法包括以下步骤；

步骤A1：采集滚动轴承正常、滚动体故障、外圈故障、内圈故障四种类型的时域信号，确保采集得到的时域信号中，每种类型信号有N个样本，每个样本有n个数据采样点；

步骤A2：对每组时域信号的各个样本进行迭代滤波分解，从各样本中得到包含不同时间尺度的本征模态分量；

步骤A3：选取每个样本前K个本征模态分量，对每个分量计算相对能量和排列熵；

步骤A4：计算每组时域信号的时域特征，所述时域特征包含有量纲指标和无量纲指标；有量纲指标为：均值、均方根值、方根幅值、绝对平均值、偏斜度、峭度、方差、最大值、最小值和峰峰值；无量纲指标为：波形指标、峰值指标、脉冲指标、裕度指标、偏斜度指标和峭度指标；

步骤A5：利用堆叠稀疏自动编码器SSAE对上述特征进行降维，即对步骤A3的特征与步骤A4的特征组成的故障特征(时域特征)进行降维，将降维的结果作为故障特征；

步骤A6：以故障特征为待识别数据，利用蝙蝠算法优化极限学习机BA-ELM实现滚动轴承工作状态和故障类型的识别。