Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine

FU Qiang; HU Dong; YANG Tongliang; LUO Guoqing; TAN Weimin

doi:DOI：10.16579/j.issn.1001.9669.2025.06.006

您当前的位置：

首页 >

文章列表页 >

Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine

·Vibration·Noise·Monitoring·Diagnosis· | 更新时间：2025-06-09

- Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine
- Journal of Mechanical Strength Vol. 47, Issue 6, Pages: 48-56(2025)
- 作者机构：
  
  西南大学工程技术学院，重庆 400100
- 作者简介：
  
  TAN Weimin, E-mail:17742832901@163.com
- 基金信息：
  
  Chongqing Overseas Students Returning Home Entrepreneurship and Innovation Support Program(cx2019123)
- DOI：DOI：10.16579/j.issn.1001.9669.2025.06.006
  CLC： TH133
- Received：18 October 2023，
  
  Revised：06 December 2023，
  
  Published：15 June 2025
- 稿件说明：
移动端阅览
付强，胡东，杨童亮，等. 基于改进压缩感知与深度多核极限学习机的轴承故障诊断方法［J］. 机械强度，2025，47（6）：48-56.

FU Qiang，HU Dong，YANG Tongliang，et al. Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine［J］. Journal of Mechanical Strength，2025，47（6）：48-56.
付强，胡东，杨童亮，等. 基于改进压缩感知与深度多核极限学习机的轴承故障诊断方法［J］. 机械强度，2025，47（6）：48-56. DOI： DOI：10.16579/j.issn.1001.9669.2025.06.006.

FU Qiang，HU Dong，YANG Tongliang，et al. Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine［J］. Journal of Mechanical Strength，2025，47（6）：48-56. DOI： DOI：10.16579/j.issn.1001.9669.2025.06.006.

摘要

针对传统轴承故障诊断采样数据量大、诊断时间长和故障特征选择主观性强等问题，基于压缩感知（Compressed Sensing

CS）和深度多核极限学习机（Deep Multi-Kernel Extreme Learning Machine

DMKELM）理论，提出了CS-DMKELM滚动轴承智能诊断模型。首先，对变换域信号阈值处理得到稀疏信号，使用高斯随机矩阵作为测量矩阵，对处理后的数据进行压缩；其次，使用压缩后的数据作为DMKELM的输入信号，利用粒子群优化（Particle Swarm Optimization

PSO）算法对关键参数进行优化，实现故障的智能诊断。结果表明，所提方法可使用较少的轴承诊断数据，利用DMKELM从少量测量信号中自动提取轴承的特征信息，实现了轴承的快速故障诊断。在诊断时间0.55 s的情况下，最终识别准确率可达99.29%。所提方法不仅诊断时间更短，而且诊断精度较高，为处理海量轴承数据的故障诊断提供了新方法。

Abstract

In response to challenges such as large sampling data

extended diagnosis time

and subjective fault feature selection in traditional bearing fault diagnosis

based on compressed sensing (CS) and deep multi-kernel extreme learning machine (D-MKELM) theory

a CS-DMKELM intelligent diagnosis model for rolling bearings was proposed. Firstly

sparse signals were obtained through threshold processing of transformed domain signals. A Gaussian random matrix was employed as the measurement matrix to compress the processed data. Secongly

the compressed data was used as the input signal for the D-MKELM. Particle swarm optimization (PSO) algorithm was applied to optimize critical parameters

enabling intelligent fault diagnosis. Results demonstrate that the proposed method

using only a small amount of bearing diagnostic data

automatically extracts feature information of bearings from a limited number of measurement signals through the D-MKELM. The proposed method enables rapid fault diagnosis of bearings. With a diagnostic time of 0.55 s

a final recognition accuracy of 99.29% was achieved. The proposed method reduces the diagnostic time and exhibits the high diagnostic accuracy

providing a new approach for handling massive bearing data in the fault diagnosis.

关键词

Keywords

references

赵志宏，赵敬娇，魏子洋 . 基于BiLSTM的滚动轴承故障诊断研究［J］. 振动与冲击， 2021 ， 40 （ 1 ）： 95 - 101 .

ZHAO Zhihong ， ZHAO Jingjiao ， WEI Ziyang . Rolling bearing fault diagnosis based on BiLSM network ［J］. Journal of Vibration and Shock ， 2021 ， 40 （ 1 ）： 95 - 101 . （In Chinese）

马伦，康建设，孟妍，等 . 基于Morlet小波变换的滚动轴承早期故障特征提取研究［J］. 仪器仪表学报， 2013 ， 34 （ 4 ）： 920 - 926 .

MA Lun ， KANG Jianshe ， MENG Yan ， et al . Research on feature extraction of rolling bearing incipient fault based on Morlet wavelet transform ［J］. Chinese Journal of Scientific Instrument ， 2013 ， 34 （ 4 ）： 920 - 926 . （In Chinese）

高峰，申江江，曲建岭，等 . 基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断［J］. 电子测量与仪器学报， 2017 ， 31 （ 6 ）： 892 - 898 .

GAO Feng ， SHEN Jiangjiang ， QU Jianling ， et al . Rolling bearing fault diagnosis based on Hilbert marginal spectrum and IPSO-SVDD ［J］. Journal of Electronic Measurement and Instrumentation ， 2017 ， 31 （ 6 ）： 892 - 898 . （In Chinese）

武哲，杨绍普，刘永强 . 基于多元经验模态分解的旋转机械早期故障诊断方法［J］. 仪器仪表学报， 2016 ， 37 （ 2 ）： 241 - 248 .

WU Zhe ， YANG Shaopu ， LIU Yongqiang ． Rotating machinery early fault diagnosis method based on multivariate empirical mode decomposition ［J］. Chinese Journal of Scientific Instrument ， 2016 ， 37 （ 2 ）： 241 - 248 . （In Chinese）

陈彦龙，张培林，徐超，等 . 基于DCT和EMD的滚动轴承故障诊断［J］. 电子测量技术， 2012 ， 35 （ 2 ）： 121 - 125 .

CHEN Yanlong ， ZHANG Peilin ， XU Chao ， et al ． Fault diagnosis of rolling bearing based on DCT and EMD ［J］. Electronic Measurement Technology ， 2012 ， 35 （ 2 ）： 121 - 125 . （In Chinese）

孟丽丽，郑磊，郑直，等 . 基于鲸鱼算法优化MLP的滚动轴承故障诊断［J/OL］. 轴承， 2023 ： 1 - 10 ［ 2023-10-17 ］. http：//kns.cnki.net/kcms/detail/41.1148.TH.20230627.1618.006.html http://kns.cnki.net/kcms/detail/41.1148.TH.20230627.1618.006.html .

MENG Lili ， ZHENG Lei ， ZHENG Zhi ， et al . Rolling bearing fault diagnosis based on WOA-MLP ［J/OL］. Bearing ， 2023 ： 1 - 10 ［ 2023-10-17 ］. http：//kns.cnki.net/kcms/detail/41.1148.TH.20230627.1618.006.html. http://kns.cnki.net/kcms/detail/41.1148.TH.20230627.1618.006.html. （In Chinese）

徐涛，裴爱岭，刘勇 . 基于谐波小波包和SVM的滚动轴承故障诊断方法［J］. 沈阳航空航天大学学报， 2014 ， 31 （ 4 ）： 50 - 54 .

XU Tao ， PEI Ailing ， LIU Yong ． Fault diagnosis of roller bearings with harmonic wavelet package and SVM ［J］. Journal of Shenyang Aerospace University ， 2014 ， 31 （ 4 ）： 50 - 54 . （In Chinese）

温江涛，闫常弘，孙洁娣，等 . 基于压缩采集与深度学习的轴承故障诊断方法［J］. 仪器仪表学报， 2018 ， 39 （ 1 ）： 171 - 179 .

WEN Jiangtao ， YAN Changhong ， SUN Jiedi ， et al . Bearing fault diagnosis method based on compressed acquisition and deep learning ［J］. Chinese Journal of Scientific Instrument ， 2018 ， 39 （ 1 ）： 171 - 179 . （In Chinese）

陈万圣，王珍，赵洪健，等 . 基于压缩感知与改进的深度极限学习机的轴承故障诊断方法［J］. 机械强度， 2021 ， 43 （ 4 ）： 779 - 785 .

CHEN Wansheng ， WANG Zhen ， ZHAO Hongjian ， et al . New method for bearing intelligent diagnosis based on compressed sensing and multilayer extreme learning machine ［J］. Journal of Mechanical Strength ， 2021 ， 43 （ 4 ）： 779 - 785 . （In Chinese）

HUANG G B ， ZHU Q Y ， SIEW C K . Extreme learning machine：theory and applications ［J］. Neurocomputing ， 2006 ， 70 （ 1 ）： 489 - 501 .

HUANG G B ， ZHOU H M ， DING X J ， et al . Extreme learning machine for regression and multiclass classification ［J］. IEEE Transactions on Systems，Man， and Cybernetics-Part B：Cybernetics ， 2012 ， 42 （ 2 ）： 513 - 529 .

HUANG G B . An insight into extreme learning machines：random neurons，random features and kernels ［J］. Cognitive Computation ， 2014 ， 6 （ 3 ）： 376 - 390 .

KHATAB Z E ， HAJIHOSEINI A ， ALI GHORASHI S . A fingerprint method for indoor localization using autoencoder based deep extreme learning machine ［J］. IEEE Sensors Letters ， 2018 ， 2 （ 1 ）： 1 - 4 .

DONOHO D L . Compressed sensing ［J］. IEEE Transactions on Information Theory ， 2006 ， 52 （ 4 ）： 1289 - 1306 .

CANDÈS E J . The restricted isometry property and its implications for compressed sensing ［J］. Comptes Rendus Mathematique ， 2008 ， 346 （ 9 ）： 589 - 592 .

ELAD M ， AHARON M . Image denoising via sparse and redundant representations over learned dictionaries ［J］. IEEE Transactions on Image Processing ， 2006 ， 15 （ 12 ）： 3736 - 3745 .

许学斌，赵雨晴，路龙宾，等 . 基于LBP的粒子群优化混合核函数ELM的蔬菜水果图像分类方法［J］. 机械设计与研究， 2021 ， 37 （ 4 ）： 15 - 20 .

XU Xuebin ， ZHAO Yuqing ， LU Longbin ， et al . Research on vegetable and fruit image classification method based on LBP particle swarm optimization mixed kernel function ELM ［J］. Machine Design & Research ， 2021 ， 37 （ 4 ）： 15 - 20 . （In Chinese）

李可军，徐延顺，魏本刚，等 . 基于PSO-HKELM的变压器顶层油温预测模型［J］. 高电压技术， 2018 ， 44 （ 8 ）： 2501 - 2508 .

LI Kejun ， XU Yanshun ， WEI Bengang ， et al . Prediction model for top oil temperature of transformer based on hybrid kernel extreme learning machine trained and optimized by particle swarm optimization ［J］. High Voltage Engineering ， 2018 ， 44 （ 8 ）： 2501 - 2508 . （In Chinese）

刘明，周水生，吴慧 . 一种新的混合核函数支持向量机［J］. 计算机应用， 2009 ， 29 （ B12 ）： 167 - 168 .

LIU Ming ， ZHOU Shuisheng ， WU Hui . SVM based on new mixed kernel function ［J］. Journal of Computer Applications ， 2009 ， 29 （ B12 ）： 167 - 168 . （In Chinese）

胡志勇，牛家骅，郭丽娜，等 . 基于时域能量划分和PSO-SVM的发动机故障诊断［J］. 汽车工程， 2016 ， 38 （ 1 ）： 86 - 90 .

HU Zhiyong ， NIU Jiahua ， GUO Lina ， et al . Engine fault diagnosis based on time-domain energy division and PSO-SVM algorithm ［J］. Automotive Engineering ， 2016 ， 38 （ 1 ）： 86 - 90 . （In Chinese）

SMITH W A ， RANDALL R B . Rolling element bearing diagnostics using the case western reserve university data：a benchmark study ［J］. Mechanical Systems and Signal Processing ， 2015 ， 64 ： 100 - 131 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

NEW METHOD FOR BEARING INTELLIGENT DIAGNOSIS BASED ON COMPRESSED SENSING AND MULTILAYER EXTREME LEARNING MACHINE

BEARING FAULT DIAGNOSIS METHOD BASED ON MULTI⁃SCALE AND MULTI⁃PATH ENSEMBLE NETWORK

RESEARCH ABOUT FAULT DIAGNOSIS OF BEARING BASED ON INSTRINSIC TIME SCALE DECOMPOSITION AND CONVOLUTIONAL NEURAL NETWORK

MOTOR BEARING FAULT DIAGNOSIS BASED ON RELEVANCE VECTOR MACHINE OPTIMIZE BY IMPROVED FRUIT FLY OPTIMIZATION ALGORITHM

Related Author

FU Qiang

TAN Weimin

CHEN WanSheng

WANG Zhen

ZHAO HongJian

WANG FengTao

QI BoWei

LI YuanYuan

Related Institution

School of Mechanical Engineering,University of Dalian

College of Engineering,University of Shantou

School of Electronic and Electrical Engineering,Shanghai University of Engineering Science

Energy and Power Engineering Institute,University of Shanghai for Science and Technology

⁰