黄重谦

(广西科技师范学院 机械与电气工程学院 ， 广西 来宾 546199)

0 引言

滚动轴承是煤矿旋转机械的重要部件，其工作状态直接影响着整机的工作性能。因此，及时对煤矿旋转机械滚动轴承进行状态监测与故障识别，具有重要意义[1]。煤矿旋转机械工作环境恶劣，实际采集到的滚动轴承振动信号受环境噪声干扰明显，且由于传递路径比较复杂，信号呈现出明显的非线性和非平稳性，导致轴承故障特征提取较困难。

多隐层自动编码网络[2]能自动地从滚动轴承振动信号中学习有价值的特征，克服了传统基于“人工特征提取+模式识别”方法受主观影响大的缺陷[3]，在滚动轴承故障识别领域取得了较大突破。文献[4]在缺少滚动轴承故障信息的情况下，利用多隐层玻尔兹曼网络取得了较高的识别准确率；文献[5]提出的融合多隐层自动编码网络能更有效、更稳健地对滚动轴承的多种故障进行识别。自动编码网络[6]不需要标记数据，其训练过程为非监督过程，因此，可将自动编码网络的思想应用到极限学习网络[7]，得到极限学习自动编码器(Extreme Learning Auto-Encoder，ELAE)。利用ELAE的特征表达能力，将其作为多隐层极限学习自动编码神经网络的基本单元[8]。但ELAE为全连接网络，需要学习的参数众多，训练时间较长，学习到的信号特征的平移不变性较差，受噪声影响较大，且标准ELAE使用sigmoid激活函数，泛化能力较弱[9]。针对上述问题，本文提出一种基于多隐层小波卷积极限学习神经网络(Multi Hidden Layers Wavelet Convolution Extreme Learning Neural Network，MHLWCELNN)的滚动轴承故障识别方法，实验结果表明该方法具有较高的可行性和有效性。……