[发明专利]一种基于PCA与ELM的滚动轴承故障诊断方法

摘要

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。

主权项

1.一种基于PCA与ELM的滚动轴承故障诊断方法，其特征在于：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。