秦 波，孙国栋，陈 帅，王祖达，王建国

(内蒙古科技大学 机械工程学院，内蒙古 包头 014010)

排列熵与核极限学习机在滚动轴承故障诊断中的应用*

秦 波，孙国栋，陈 帅，王祖达，王建国

(内蒙古科技大学 机械工程学院，内蒙古 包头 014010)

针对极限学习机(Extreme Learning Machine, ELM)隐含层节点数需要人为设定，致使滚动轴承故障分类模型精度低、稳定性差，提出基于排列熵(Permutation Entropy, PE)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，将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)处理后得到一系列IMF本征模态函数，并提取各分量的排列熵PE值组成高维特征向量集；其次，在利用高斯核函数的内积来表达ELM输出函数，从而自适应确定隐含层节点数；最后，将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机滚动轴承故障分类模型，进行滚动轴承不同故障状态的分类辨识。实验结果表明：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。

滚动轴承；排列熵；极限学习机；核函数

0 引言

滚动轴承是机械系统中最关键的零部件之一，其运行状态直接关系到设备能否正常运转。由于实际中工况复杂，轴承故障振动信号常呈现出非线性、非平稳性的特征，而传统的时频域分析方法大多针对线性、稳态信号的分析，因此难以精确、稳定地识别轴承的故障。

为了精确、稳定地识别轴承的故障类型，国内外科研工作者提出了一系列的方法。在状态识别方面：文献[1]以滚动轴承信号小波分解后的能量熵作为特征，通过BP神经网络对滚动轴承故障进行识别、诊断。……