基于VMD-KPCA-OSELM算法的滚动轴承故障诊断

作者:吴东升;贾琼;杨青;李烨;付丽君 刊名:控制工程 上传者:袁春霞

【摘要】为了提高滚动轴承故障诊断的准确性,提出了变分模态分解(VMD)与在线贯序极限学习机(OSELM)相结合的VMD-KPCA-OSELM方法对轴承故障进行诊断。首先利用VMD对所提取轴承信号进行去噪;其次,应用KPCA对去噪后的数据进行故障特征提取和降维压缩;最后,运用OSELM方法对轴承故障进行分类。实验结果表明,所提的集合型方法能通过计算每个模态的中心频率将带宽的求解转化为约束问题的寻优,有效地区分出不同的模态,对故障信号进行滤波并提取故障特征,且在诊断快速性方面优于传统单梯度下降学习方法。所提的集合型VMD-KPCA-OSELM方法比常规的单一型方法更适用于滚动轴承的故障诊断。

全文阅读

2017 年 11 月 控 制 工 程 Nov. 2017 第24卷第S0期 Control Engineering of China Vol.24, No.S0 文章编号:1671-7848(2017)S0-0113-05 DOI: 10.14107/j.cnki.kzgc.161048 基于 VMD-KPCA-OSELM 算法的滚动轴承故障诊断 吴东升,贾琼,杨青,李烨,付丽君 (沈阳理工大学 自动化与电气工程学院,沈阳 110159) 摘 要:为了提高滚动轴承故障诊断的准确性,提出了变分模态分解(VMD)与在线贯序极限学习机(OSELM)相结合的 VMD-KPCA-OSELM 方法对轴承故障进行诊断。首先利用 VMD 对所提取轴承信号进行去噪;其次,应用 KPCA 对去噪后的数据进行故障特征提取和降维压缩;最后,运用 OSELM 方法对轴承故障进行分类。实验结果表明,所提的集合型方法能通过计算每个模态的中心频率将带宽的求解转化为约束问题的寻优,有效地区分出不同的模态,对故障信号进行滤波并提取故障特征,且在诊断快速性方面优于传统单梯度下降学习方法。所提的集合型 VMD-KPCA-OSELM 方法比常规的单一型方法更适用于滚动轴承的故障诊断。 关键词:故障诊断;变分模态分解;在线惯序极限学习机;电机轴承 中图分类号:TP206 文献标识码:A Rolling Bear Fault Diagnosis Based on VMD-KPCA-OSELM WU Dong-sheng1, JIA Qiong1, YANG Qing1, LI Ye1, FU Li-jun1 (School of Automation and Electrical Engineering, Shenyang Ligong University, Shenyang 110159, China) Abstract: To improve the accuracy of the rolling bearing fault diagnosis, the variational mode decomposition (VMD)combined with online sequential extreme learning machine (OSELM), called VMD-KPCA-OSELM approach for bearing fault diagnosis is present. Firstly, VMD is used to denoise the bearing signal; Secondly, KPCA (Kernel Principal Component Analysis) is applied for fault feature extraction and dimension reduction; Finally, the bearing fault is classified by OSELM. The experimental results show that the proposed ensemble method can solve the problem of bandwidth by calculating the center frequency of each mode and different modes can be effectively separated from the fault signals. This method

参考文献

引证文献

问答

我要提问