基于LMD-PSO-ELM的轴承故障诊断与识别

摘要：

针对滚动轴承故障诊断与识别困难的问题,提出了一种将局部均值分解(LMD)、粒子群优化算法(PSO)、极限学习机(ELM)相结合的故障诊断与识别的方法.首先,通过LMD将振动信号分解成一系列从高频到低频的乘积分量(PF);其次,计算每个PF分量与原始信号的相关性系数,选择相关性大的PF分量累加作为特征分量,并且将特征分量组成特征向量;最后,使用PSO-ELM网络模型对训练集与测试集进行训练.通过对西储大学轴承数据的仿真,验证了 LMD在对信号分解后模态混叠程度较经验模态分解(EMD)更低.将该方法用于某型号线切割机床滚动轴承上,对3种不同状态的滚动轴承进行故障诊断与识别,并将EMD-PSO-ELM与LMD-PSO-ELM方法进行对比,实验结果表明:LMD-PSO-ELM不仅能够识别滚动轴承的故障类型,并且识别的准确率大幅提高.

关键词：粒子群优化算法、极限学习机、局部均值分解、故障诊断、神经网络

所属期刊栏目：36

分类号：TH133.33

资助基金：国家自然科学基金U1708254

在线出版日期：2023-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：428-437