【摘要】：針對滾動軸承信號的不規(guī)則特性,致使信號故障特征難提取及難以辨識,為實現(xiàn)滾動軸承故障的智能診斷,提出基于VMD能量熵與核極限學(xué)習(xí)機(jī)(kernel extreme learning machine,K-ELM)的滾動軸承故障診斷方法。首先將測得振動信號進(jìn)行變分模態(tài)分解(variational mode decomposition,VMD),利用能量熵進(jìn)一步提取各模態(tài)特征組成高維特征向量集;然后將構(gòu)建的特征向量作為K-ELM算法的輸入,通過訓(xùn)練建立K-ELM滾動軸承故障分類模型。實驗結(jié)果表明:VMD能夠很好地分解軸承振動信號,且K-ELM滾動軸承故障分類模型比SVM、ELM故障分類模型具有更高的精度、更強(qiáng)的穩(wěn)定性。
[Abstract]:In view of the irregular characteristics of the rolling bearing signal, it is difficult to extract and identify the fault feature of the signal. In order to realize the intelligent diagnosis of the rolling bearing fault, a new learning machine based on VMD energy entropy and nuclear limit learning machine (kernel extreme learning machine,) is proposed. The method of rolling bearing fault diagnosis based on K-ELM. Firstly, the measured vibration signal is decomposed by variational mode decomposition (variational mode decomposition,VMD), and each modal feature is further extracted by energy entropy to form a high dimensional eigenvector set. Then the constructed feature vector is used as the input of K-ELM algorithm and the K-ELM rolling bearing fault classification model is established by training. The experimental results show that VMD can decompose the bearing vibration signal well, and the K-ELM rolling bearing fault classification model has higher accuracy and stronger stability than the SVM,ELM fault classification model.
【作者單位】： 內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院;
【基金】：國家自然科學(xué)基金(51565046) 內(nèi)蒙古自然科學(xué)基金(2017MS0509) 內(nèi)蒙古科技大學(xué)創(chuàng)新基金(2015QDL12)
【分類號】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內(nèi)燃機(jī)配件;2000年03期

2 秦愷,陳進(jìn),姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關(guān)密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應(yīng)用[J];試驗技術(shù)與試驗機(jī);2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機(jī)械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機(jī)床與液壓;2005年06期

6 江涌;基于余弦調(diào)頻小波變換的滾動軸承故障研究[J];機(jī)械設(shè)計與制造;2005年06期

7 程光友;;時域指標(biāo)在滾動軸承故障診斷中的應(yīng)用[J];中國設(shè)備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學(xué)院學(xué)報(自然科學(xué)版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴(yán)新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

相關(guān)會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術(shù)探討[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會議論文集[C];2000年

2 楊積忠;左立建;;滾動軸承故障診斷實例[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學(xué)術(shù)會議論文集[C];2005年

3 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文摘要集[C];2007年

4 李放寧;;峰值能量在滾動軸承故障診斷中的應(yīng)用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學(xué)術(shù)會議論文集[C];2000年

5 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集[C];2007年

6 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產(chǎn)技術(shù)會議暨煉鐵年會文集（上冊）[C];2008年

7 李興林;;滾動軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會議論文集[C];2009年

8 唐海峰;陳進(jìn);董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應(yīng)用[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

9 高耀智;;高階統(tǒng)計量與小波分析相結(jié)合在滾動軸承故障診斷中的應(yīng)用[A];2009年全國青年摩擦學(xué)學(xué)術(shù)會議論文集[C];2009年

10 和衛(wèi)星;陳曉平;馬東玲;;基于混沌時間序列的滾動軸承故障局部預(yù)測[A];2009中國儀器儀表與測控技術(shù)大會論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 廖強(qiáng);約束獨立分量和多小波分析在滾動軸承故障診斷中的應(yīng)用[D];電子科技大學(xué);2016年

2 曾鳴;基于凸包的模式識別方法及其在滾動軸承故障診斷中的應(yīng)用[D];湖南大學(xué);2016年

3 于江林;滾動軸承故障的非接觸聲學(xué)檢測信號特性及重構(gòu)技術(shù)研究[D];大慶石油學(xué)院;2009年

4 楊柳松;基于小波分析與神經(jīng)網(wǎng)絡(luò)滾動軸承故障診斷方法的研究[D];東北林業(yè)大學(xué);2013年

5 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學(xué);2012年

6 趙協(xié)廣;基于小波變換和經(jīng)驗?zāi)B(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學(xué);2009年

7 侯者非;強(qiáng)噪聲背景下滾動軸承故障診斷的關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2010年

8 郭艷平;面向風(fēng)力發(fā)電機(jī)組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學(xué);2012年

9 Ao Hung Linh（池雄嶺）;基于化學(xué)反應(yīng)優(yōu)化算法和支持向量機(jī)的滾動軸承故障診斷方法研究[D];湖南大學(xué);2014年

10 崔寶珍;自適應(yīng)形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 李男;基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法[D];燕山大學(xué);2015年

2 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學(xué);2015年

3 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學(xué);2015年

4 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學(xué);2015年

5 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學(xué);2015年

6 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學(xué);2015年

7 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學(xué);2015年

8 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應(yīng)用研究[D];電子科技大學(xué);2014年

9 段永強(qiáng);局部均值分解法在滾動軸承故障自動診斷中的應(yīng)用研究[D];電子科技大學(xué);2015年

10 黃宏臣;基于流形學(xué)習(xí)算法的滾動軸承故障識別研究[D];太原理工大學(xué);2014年

，

本文編號：2324258