针对滚动轴承早期故障信号微弱、故障特征难以提取导致故障分类效果差的问题,提出了一种基于改进麻雀搜索算法(Sparrow Search Algorithm,SSA)进行自适应参数优化的变分模态分解(Variational Mode Decomposition,VMD)和多层特征向量融合的极限学习机(Extreme Learning Ma⁃chine,ELM)的滚动轴承故障诊断方法。首先,根据适应度函数值和迭代次数自适应改变SSA的寻优步长;随后,将改进后的SSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;接着,提取经SSA-VMD分解后的包络谱熵最小的内蕴模态函数(In⁃trinsic Mode Function,IMF)分量作为最优分量,并计算其特征值;最后,通过变异系数法筛选,构造均方根值和峰值为第一层二维特征值向量,构造样本熵、峭度和均方根为第二层三维特征值向量,分别送入极限学习机ELM进行滚动轴承故障的训练分类。试...

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更...

提出基于粒子群优化(Particle Swarm Optimization,PSO)的极限学习机(Extreme Learning Machine,ELM)的液压油性能衰退预测方法。以L-HM46抗磨液压油为研究对象,设计液压油性能衰退实验,检测油液的黏度、张角、水分含量、衰退度。基于提出的液压油性能衰退预测方法,利用遍历搜索和PSO算法分别对ELM的外部、内部参数进行优化选取,从而建立最优的性能衰退预测模型。将油液的黏度、张角、水分含量作为模型输入特征向量,衰退度作为模型输出,采用PSO-ELM性能衰退预测模型对液压油性能进行仿真分析。结果表明:PSO-ELM算法计算结果与实验数据吻合较好;PSO-ELM算法预测精度达到了98.47%,高于ELM算法的预测精度,表明PSO-ELM算法能更准确地预测液压油的衰退情况,为确定换油时机提供参考。

考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法。首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中（ELM）进行分类。实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果。

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解（redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD）和极限学习机（extreme learning machine,简称ELM）相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换（redundant second generation wavelet packet transform,简称RSGWPT）和局部特征尺度分解（local characteristic-scale decomposition,简称LCD）方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量（intrinsic scale components,简称ISCs）;然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解（singular value decomposition,简称SVD）,将得到的奇异值作为表征各损伤信号的特征向...

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机（HierarcHical Kernel Extreme Learning MacHine,H-K-ELM）的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明：H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解（Empirical mode decomposition,EMD）和深度信念网络（Deep belief network,DBN）的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数（Intrinsic mode function,IMF）分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机（Extreme learning machine,ELM）的特征选择方法 （Features selection base on ELM,FSELM）,以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。

针对轴承发生故障,振动信号会表现出复杂性的情况,运用多尺度排列熵(Multiscale Permutation Entropy,MPE)方法对振动信号进行分析。首先对嵌入维数、延迟时间以及数据长度对排列熵的影响进行了分析,在此基础上分析尺度因子关于多尺度排列熵的影响,然后对滚动轴承振动信号进行更准确的故障特征提取,并利用极限学习机(Extreme Le arning Machine,ELM)方法对其进行故障分类,与神经网络的分类效果相比较,结果显示,极限学习机与多尺度排列熵相结合,可以很好地实现故障诊断。

提出在航空关节轴承试验机加载控制系统中应用极限学习机（ELM）对电液力PID控制参数进行在线调节的方法.解决了BP神经网络梯度下降法速度太慢导致在伺服系统中PID控制实时性太差的问题.实验结果表明该方法泛化性能好、学习速度快、模型精度高具有很强的实践指导意义.