基于核极限学习机的旋转机械故障诊断方法-噪声与振动控制.PDFVIP

第38 卷 第2 期 噪 声 与 振 动 控 制 Vol 38 No.2 2018 年4 月 NOISE AND VIBRATION CONTROL Apr. 2018 文章编号：1006-1355(2018)02-0138-06 基于核极限学习机的旋转机械故障诊断方法 1, 2, 3, 4 1, 2, 3, 4 1, 2, 3, 4 1, 2, 3, 4 王 普 ，温 峥 ，高学金 ，温焕然 （1. 北京工业大学 电子信息与控制工程学院，北京 100124； 2. 数字社区教育部工程研究中心，北京 100124； 3. 城市轨道交通北京实验室，北京 100124； 4. 计算智能与智能系统北京市重点实验室，北京 100124 ） 摘 要：传统的旋转机械故障诊断存在需人工干预、诊断精度低等问题。为更好诊断旋转机械故障，提出基于核极 限学习机的旋转机械故障诊断方法。首先在正常状态和转子不平衡、转子不对中、轴承座松动3 种故障状态下采集旋 转机械的振动信号，降噪后提取各频段小波能量作为故障特征，以此为基础建立基于核极限学习机的旋转机械故障诊 断模型。在旋转机械故障模拟实验台上进行的应用实验表明，KELM 方法比ELM 有更高的稳定性，KELM 的故障诊断 准确率大于99 % ，诊断性能优于极限学习机和支持向量机。 关键词：振动与波；旋转机械；故障诊断；核极限学习机 + + 中图分类号：TP206 .3 ；U666.16 2 文献标志码：A DOI 编码：10.3969/j.issn. 1006-1355.2018.02.027 Fault Diagnosis Method of Rotating Machinery based on the Kernel Extreme Learning Machine WANG Pu 1, 2, 3, 4 , WEN Zheng 1, 2, 3, 4 , GAO Xuejin 1, 2, 3, 4 , WEN Huanran 1, 2, 3, 4 ( 1. College of Electronic and Control Engineering, Beijing University of Technology, Beijing 100124, China; 2. Engineering Research Center of Digital Community, Ministry of Education, Beijing 100124, China; 3. Beijing Laboratory for Urban Mass Transit, Beijing 100124, China; 4. Beijing Key Laboratory of Computational Intelligence and Intelligent System, Beijing 100124, China ) Abstract : Traditional fault diagnosis method of rotating machinery needs human intervention and has the problem of low diagnosis accuracy and unsteadiness. In order to diagnose the fault of the rotating machinery precisely and effectively, a