秦　波，刘永亮，王建国，杨云中

(内蒙古科技大学 机械工程学院，内蒙古 包头　014010)



基于极限学习机的滚动轴承故障诊断方法*

秦波，刘永亮，王建国，杨云中

(内蒙古科技大学 机械工程学院，内蒙古 包头014010)

摘要：针对传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢，致使滚动轴承故障分类精度、效率差的问题，提出了一种基于极限学习机的滚动轴承故障诊断方法。首先，将采集的信号经EMD后，提取与原信号相关度较大的IMF能量指标。其次，建立滚动轴承的极限学习机故障分类模型；最后，将能量指标组成的特征向量作为模型输入进行滚动轴承不同故障状态的分类识别。实验结果表明：与基于BP、SVM、PSO-SVM与GA-SVM故障分类方法相比，基于极限学习机的滚动轴承故障诊断方法具有更快的运行速度、更高的分类精度。

关键词：EMD；IMF ；极限学习机；滚动轴承

0引言

滚动轴承作为机械设备中的关键零部件，其运行状态的正常与否直接关系到整台设备的性能。及时有效地对滚动轴承实施故障诊断，对于保证整台设备的可靠运行具有重要的意义。因此，与滚动轴承相关的故障诊断技术一直是故障诊断领域的研究热点。其中，随着人工智能的发展，各种智能诊断方法也不断融入故障诊断领域。其中，BP(Back Propagation，BP)与SVM(Support Vector Machine，SVM)以良好的自适应性与有效性得到了广泛应用。

其中，文献[1]将滚动轴承的振动信号通过经验模式分解(Empirical Mode Decomposition，EMD)后所得本征模式分量的能量熵与奇异熵融合后组成特征向量，并将其输入支持向量机中进行故障状态的分类识别；……