浅析基于VPMELM的滚动轴承劣化状态辨识方法.docVIP

　　浅析 基于 VPMELM 的滚动轴承劣化状态辨识方法 当机械正常运行时，需要定期或者不定期进行检修，目的就是为了避免事故的发生。但是有些零部件出现故障时，工作呈现正常状态，实际是安全隐患，需要及时排除。滚动轴承作为旋转机械的主要零部件，其诊断也主要是对滚动轴承的滚动体、内圈和外圈故障等进行识别，而很少有对某一特定故障类型的劣化(损坏)程度进行辨识 。因此，如何检测出这种劣化程度，成为相关学者研究的热点。人工神经X络和支持向量机作为常用的模式识别方法，可以辨识劣化程度，且在工程中得到了一定的应用，取得了较好的应用效果。但是上述方法还不够完善，或多或少存在一定的缺陷。因此，探索一种训练速度快、获得全局最优解，且具有良好的泛化性能的训练算法是模式识别发展的主要目标。极限学习机(Extreme Learning Machine，ELM) 回归 是一种基于神经X络的学习回归算法，该回归算法随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与传统的回归训练方法相比(BP(Back Propagation) 回归)，该方法具有学习速度快、泛化性能好等优点，且具备支持向量机的优点。但是对于大中型数据集的系统辨识和分类问题，易于出现最优节点数难于确定等问题。特别注意的是，上述模式识别方法并没有考虑分类特征之间的联系，而实际上提取的分类特征之间确实存在某种特定的联系。基于此，RAGHURAJ 等提出了变量预测模型的模式识别(Variable PredictiveMode Based Class Discriminate，VPMCD)方法。VPMCD方法首先采用固有的四种模型建立预测模型，接着以最小二乘回归作为参数拟合方法得出模型参数，然后通过回代特征选出最优预测模型，最后利用选择的最优预测模型完成分类。虽然该方法已在生物学和机械学中得到应用，但是 VPMCD 中包含的四种模型比较简单，不足以反映特征值之间的复杂关系。另外，VPMCD预测模型的建立其实是不同的特征值组合建立四种VPM 模型，即线性、二次、交互和二次交互模型。特征值之间的关系较为简单时，用这四种模型足以完成建模及分类，但是当特征值之间的关系较为复杂时，特征值之间的关系不是特别有规律(工程实际中由于外部因素的存在，特征值之间的关系确实不明显)，这时用原 VPMCD 方法中的四种数学模型建立预测模型就很难满足分类的需要。因此，鉴于 VPMCD 对复杂数据的建模缺陷性，拟对 VPMCD 建模方法进行改进。因此，本文拟调用 ELM 建立预测模型，以及采用ELM 非线性回归拟合出模型参数，ELM 回归令隐含层的激活函数为无限可微函数，从而可以随机选择和调整隐含层节点的参数，消除了模型简单性的缺陷，建立能反应特征值之间复杂关系的非线性高斯函数模型，提出了基于极限学习机的变量预测模型(VariablePredictive Mode based Extreme Learning Machine，VPMELM)模式识别方法，该方法克服了 VPMCD 固有的建模缺点，建立比较成熟的 ELM 模型，从而提高了预测模型的分类效果和精度。 　　1 基于极限学习机的变量预测模型模式识别方法 　　1. 1 ELM 回归方法理论 　　ELM 回归方法的目标就是寻求变量 x 和变量 y 之间的相互关系，即寻找一个最优函数能使预测的曲线拟合误差最小为原则。选出一定量的训练样本为P = {x i ，y}x i isin;R d ，yisin;R，i =1，2，，nx i =[x i1 ，x i2 ，，x im ]isin;R，y =[y 1 ，y 2 ，，y m ]isin;RELM 回归模型包含三个层次，即输入层、输出层和隐含层。设定输入层为 n 个神经元，也就是对应着 n个变量，选择隐含层为 a 个节点。 　　1. 2 VPMELM 方法 　　VPMELM 方法采用了 VPMCD 的分类原理和 ELM回归模型的建模思想。首先对信号提取特征值，并建立特征矩阵;然后对特征矩阵建立模型，由于同一样本特征值之间或多或少存在一定的关系，这种依赖关系可能是线性的或者非线性的，但是其中的具体关系不得而知，只是选择一种或者几种代理模型进行建模，寻找最接近这种真实关系的代理模型;最后根据建立的代理预测模型完成分类。对于一种状态的特征值 X =[X 1 ，X 2 ，，X p ]，可以建立的代理模型为式(4)是对 X i 建立的数学模型 VPM i 。式中:特征量 X i 为被预测的变量;X j (jne;i)为预测变量;e 为预测误差;b 0 ，b j ，b jj ，b jk 为模型参数。VPMELM 分类方法:(1)拾取振动信号样本，并提取振动信号