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

付强; 胡东; 杨童亮; 罗国庆; 谭为民

您当前的位置：

首页 >

文章列表页 >

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

更新时间：2024-12-16

- 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
- Bearing fault diagnosis method based on improved compressed sensing and deep multi-kernel extreme learning machine
- 机械强度 2024年页码：1-9
- 作者机构：
  
  西南大学工程技术学院，重庆 400100
- 作者简介：
  
  付强，男，1999年生，四川广安人，西南大学工程技术学院在读硕士研究生；主要研究方向为压缩感知、信号处理、深度学习；E-mail：1248116740@qq.com。
- 基金信息：
  
  重庆市留学人员回国创业创新支持计划基金项目(cx2019123)
- DOI：
  中图分类号： TH133
- 网络出版日期：2024-12-16，
  
  收稿日期：2023-10-18，
  
  修回日期：2023-12-06，
- 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，DOI：10.16579/j.issn.1001.9669.XXXX.XX.001.

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，DOI：10.16579/j.issn.1001.9669.XXXX.XX.001.
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，DOI：10.16579/j.issn.1001.9669.XXXX.XX.001. DOI：

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，DOI：10.16579/j.issn.1001.9669.XXXX.XX.001. DOI：

摘要

目的

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，D-MKELM）理论，提出了CS-DMKELM滚动轴承智能诊断模型。

方法

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

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的方法。

Abstract

Objective

In response to challenges such as large sampling data

extended diagnosis time

and subjective fault feature selection in traditional bearing fault diagnosis

a CS-DMKELM intelligent diagnosis model for rolling bearings is proposed based on compressed sensing(CS) and deep multi-kernel extreme learning machine(D-MKELM) theory.

Methods

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. Subsequently

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

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 diagnostic time and exhibits high diagnostic accuracy

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

关键词

压缩感知轴承核函数极限学习机故障诊断

Keywords

Compressed sensingBearingKernel functionExtreme learning machineFault diagnosis

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.htmlhttp://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（增刊2）：167-168.

LIU Ming，ZHOU Shuisheng，WU Hui.SVM based on new mixed kernel function［J］.Journal of Computer Applications，2009，29（Suppl.2）：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.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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

基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究

基于改进果蝇优化算法优化RVM的电机轴承故障诊断

基于变分模态分解和LFOA-RVM的轴承故障诊断

双树复小波和MED在齿轮箱早期故障诊断中的应用