[发明专利]一种基于极限学习机的轴承故障诊断方法

摘要

本发明提供了一种基于极限学习机的轴承故障诊断方法，属于机械故障诊断技术领域，包括对振动加速度信号进行变分模态分解得到IMF模态分量；通过奇异值分解SVD算法得到IMF模态分量的奇异值；将IMF模态分量的奇异值分为训练样本和测试样本两部分；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，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；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，输出结果即为轴承故障诊断结果。本发明能够准确实现信号有效分离，分量信号模态收敛快、鲁棒性高，故障识别速度快，准确率高，无需建立模型，降低了专业要求，适于工业应用。

主权项

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。