魏永合，魏 超，冯睿智，王晶晶

(沈阳理工大学 机械工程学院，沈阳 110159)

基于EEMD和ELM的齿轮故障状态识别*

魏永合，魏 超，冯睿智，王晶晶

(沈阳理工大学 机械工程学院，沈阳 110159)

由于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，致使齿轮轴承故障分类精度、效率差的问题，提出一种基于集合经验模态分解与极限学习机结合的齿轮诊断方法。首先将采集的信号经EEMD后，提取与原信号相关较大的IMF能量指标，建立齿轮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齿轮不同故障状态的分类识别。把ELM识别的结果与SVM识别结果作对比，结果表明ELM的齿轮故障诊断方法具有较快的运行速度、较高的分类精度。

极限学习机(ELM)；齿轮故障；故障识别

0 引言

齿轮作为机械设备中的关键零部件，整台设备的性能与齿轮运行状态的正常与否有直接关系。因此，齿轮相关的故障诊断技术一直是故障诊断领域的研究热点。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。如：ELM(Extreme Learning Machine)模型具有学习速度快，良好泛化性以及良好的自适应性与有效性得到广泛的应用，并经过许多学者的努力，该算法已逐渐在模式识别、故障诊断、数据回归预测等领域的实际应用中崭露头角。

目前，极限学习机技术已经被国内的学者们应用到故障识别领域中。比如：秦波、刘永亮等[1-2]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。……