基于KELM的轴承故障诊断方法

滚动轴承是工业中应用十分广泛的一种产品,轴承里面的滚动体要经受周期性的摩擦力.随着现代工业要求的提高,机械设备都朝着高速、高精、高效的方向发展.轴承在这种工况下容易损伤出现故障.轴承的损伤故障与否直接决定了机械能否正常运转.这样对其进行实时状态监测和故障诊断就势在必行了.对轴承进行状态监测时,就会产生大量振动信号数据.轴承的工作状态是由其振动信号表现出来的.所以对轴承进行故障诊断的主要方法之一就是分析处理其振动信号.目前有很多学者都对轴承故障诊断做过研究,其中郝丽娜[1]等将多层超限学习机方法应用于轴承故障诊断数据处理,该方法直接学习轴承故障振动时域信号,比传统的诊断方法更加简便快速.杨建伟[2]]等将一种改进的小波包与BP神经网络相结合对轴承进行故障诊断.姚亚夫[3]等针对滚动轴承故障诊断信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式(EMD)分解的新型故障特征提取方法,并与支持向量机(SVM)相结合实现滚动轴承的故障诊断.