[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

摘要

本发明公开了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，以提高变工况条件下轴承故障诊断的精度。首先，采用高效的自适应信号处理方法LMD将非线性非平稳的原始振动信号分解为一系列乘积函数(product functions，PFs)，每一个PF分量都是一个包络信号和一个具有物理意义的纯调频信号的乘积。然后，采用SVD处理PF分量以压缩特征向量尺度并获得更加稳定的特征向量值。最后，基于提取的特征向量，应用运算效率和分类精度更高的ELM对轴承故障状态进行分类。本发明方法采用基于LMD-SVD-ELM的故障诊断方法，为轴承提供了一套完整有效的变工况条件下的故障诊断方案，具有很好的实际工程应用价值。

主权项

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；步骤(2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征值，以减小工况变化对特征值的影响；步骤(3)、以提取的故障特征向量作为分类器的输入向量，应用ELM进行故障分类，实现变工况条件下轴承的故障诊断。