基于在线极限学习机的电机滚动轴承故障识别方法研究

作     者：韩宝珠 HAN Baozhu

作者机构：太原学院机电与车辆工程系山西030002 

出 版 物：《电子技术（上海）》 (Electronic Technology)

年 卷 期：2021年第50卷第12期

页      面：36-39页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080801[工学-电机与电器] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：故障诊断 双树复小波包 特征向量 在线极限学习机 

摘      要：为了对电机滚动轴承具体的故障类型做出明确判断,在提取滚动轴承振动信号的故障特征之后,需要采用模式识别方法。极限学习机(ELM)提出基于前馈神经网络的一种学习算法。该算法参数选择简便、运算效率高而且还具有很好的泛化性能,可以较好地处理多分类的问题。然而经典的极限学习机局限于分析批量的样本,对于实际应用中一个接一个或者一组接一组连续抵达网络的样本却无计可施。在线极限学习机(OS-ELM)是对传统极限学习机的一种改进算法,它弥补了极限学习机不能处理连续数据的缺陷。首先,采用双树复小波包变换把电机滚动轴承的振动信号分解为一系列表征其特征频率的频带信号,再将这些频带信号组成特征矩阵,振动信号相应的特征向量可以通过对该矩阵进行奇异值分解分解得到。最后,采用在线极限学习机(OS-ELM)对电机滚动轴承故障类型进行识别,不仅运算速度快、识别准确性高而且能够实现在线识别。