vmd能量熵与核极限学习机在滚动轴承故障诊断中的应用资料.pdfVIP

第43卷第5期 中国测试 Vol.43 No.5 2017年5月 CHINA MEASUREMENT TEST May,2017 doi:10.11857/j.issn.1674-5124.2017.05.019 VMD能量熵与核极限学习机在滚动轴承 故障诊断中的应用 秦 波, 王祖达, 孙国栋, 王建国 ， （内蒙古科技大学机械工程学院 内蒙古 包头 014010） 摘 要：针对滚动轴承信号的不规则特性，致使信号故障特征难提取及难以辨识，为实现滚动轴承故障的智能诊断， 提出基于VMD能量熵与核极限学习机（kernel extreme learning machine，K-ELM）的滚动轴承故障诊断方法。首先将 （ 测得振动信号进行变分模态分解 variational mode decomposition，VMD），利用能量熵进一步提取各模态特征组成高 维特征向量集；然后将构建的特征向量作为K-ELM算法的输入，通过训练建立K-ELM滚动轴承故障分类模型。实 ： ，且 验结果表明 VMD能够很好地分解轴承振动信号 K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具 有更高的精度、更强的稳定性。 关键词：滚动轴承；变分模态分解；自动编码器；极限学习机 文献标志码：A 文章编号：1674-5124（2017)05-0091-05 Application of VMD and hierarchical extreme learning machine in rolling bearing fault diagnosis QIN Bo，WANG Zuda，SUN Guodong，WANG Jianguo （School of Mechanical Engineering，Inner Mongolia University of Science Technology， Baotou 014010，China） Abstract: According to the irregularity characteristics of the rolling bearing signals causing the bearing condition identified difficultly，the kernel extreme learning machine fault diagnosis model is proposed. Firstly，the measured vibration signals are decomposed into variational mode decomposition，using the energy entropy to extract the features of each model to form a high dimensional feature vector set. Secondly，the combined feature vector is used as the input of the algorithm，and the fault classification m