基于PSO- ELM 的滾動軸承故障診斷模式識別方法

張鑫瑞 夏 源 王藝華

（西安工業大學機電工程學院，陜西 西安710021）

滾動軸承是大型機械設備的主要構成元件，其運行性能對整個機械設備的運轉狀態有著極其關鍵的作用，如若發生故障，會造成的巨大的損失[1]。并且滾動軸承長期處于復雜惡劣環境，其運行狀態監測困難。

目前，國內外的許多學者專家做了大量的研究對于故障診斷的模式分類的問題，主要有基于人工智能、基于知識、基于支持向量機的模式識別方法[2]。2004 年提出了一種新的故障識別方法——極限學習機，由于ELM具有極快的學習速率和泛化程度較高和不容易出現局部最優解的優點，受到國內外人員的關注，各種改進的ELM方法也層出不窮[3]。

極限學習機是一種針對單隱層前饋神經網絡的新算法。與之前的傳統訓練方法相比，ELM方法具有學習速度快，泛化性能好等優點。但它還有一定的缺點，訓練速度比較慢，容易陷入局部極小值點。因此，本文為了提升ELM模型的泛化能力和識別準確率，提出粒子群優化極限學習機PSO-ELM模式識別方法。

1 粒子群算法優化的極限學習機

極限學習機算法具有計算量小，參數調節容易，初始輸入權重和隱含層偏置對算法影響較大的特點，即便節點參數不需要通過反向傳播迭代調整，但對于隱層節點的作用也會影響，最終導致ELM網絡結構復雜度的增加，影響其泛化能力與穩定性；PSO 算法具有精度高，收斂速度快的優點，本文提出一種將PSO 算法與ELM 算法相結合的故障檢測方法，利用PSO 算法對ELM 算法的輸入層權重和隱含層偏置進行優化，能有效解決由于ELM隨機產生閾值、輸入權值所引起的問題，提高泛化能力。

本文提出了一種結合PSO 和ELM 的故障診斷方法。從而得到一個最優的滾動軸承故障診斷模型，以提升ELM模型的識別準確率。PSO-ELM故障診斷具體實現步驟如下：

（1）初始化設置種群規模、粒子位置和速度；

（2）求每個粒子的適應度值；

（3）對比每個粒子與當前個體極值、全局極值的適應度值大小，若粒子個體的適應度值和都小于其適應度值，則將原始個體極值和全局極值被個體替代；

（4）將粒子個體替代原始的個體極值和全局極值；

（5）如果最大迭代次數或誤差達到要求，流程結束，否則回到步驟（2），繼續迭代。

2 滾動軸承故障診斷實例分析

2.1 實驗數據

通過使用美國凱斯西儲大學軸承數據中心提供的實驗數據。電機驅動端深溝球軸承型號為SKF6205，振動信號由16 通道數據記錄儀采集得到，功率和轉速通過扭矩傳感器和譯碼器測得，兩種采樣頻率分別為12Khz 和48Khz，電機轉速近似為1772r/min。

實驗選取了滾動軸承驅動端采樣頻率為12K 的數據進行研究，分別為滾動軸承的正常狀態、滾動體故障、內圈故障和外圈故障共11 種狀態的數據采集。每種狀態的負載為1hp，hp 為英制的馬力，1hp=0.75kW，每個時域樣本取1024 點，11 種狀態的1hp 樣本為100 組。

2.2 滾動軸承狀態識別實驗

在運用極限學習機進行滾動軸承故障狀態識別時，應該充分考慮隱含層節點結構，若個數太少，網絡對數據的擬合能力較差；若個數太多，網絡容易出現過擬合現象，無法較好的反映出未知數據樣本的特征規律，分類結果也不理想。

圖1 不同隱含層節點個數的分類準確率

為了確定極限學習機中最優的隱含層節點個數，固定正則化參數λ，隱含層節點個數m 取值為78 至100。固定的λ 值和隱含層節點數對ELM分類準確率的趨勢如圖1 所示，當隱含層節點個數增加至88 時，ELM分類準確率最高達到93.45%，故本文選定λ=0.5，隱含層節點個數為88。

本文分別將PSO-ELM 和ELM 兩種故障識別方法進行對比，其中圖2 和圖3 可以看出，通過粒子群優化過的ELM 比未優化ELM的準確率提高了4.26%，并且期望輸出和實際輸出相差無幾，說明沒有優化的極限學習機的識別準確率較低，不能達到預期的效果。由此本文采用粒子群優化算法。結果數據由表1 所示。

圖2 ELM 識別結果圖

圖3 PSO-ELM 識別結果圖

表1 不同識別方法下的故障識別結果

3 結論

本文針對極限學習機訓練速度較慢，容易陷入局部極小值點，并且其輸入權值和閾值是隨機產生的，對故障診斷的結果具有一定影響的問題，提出了利用粒子群算法對極限學習機結構進行優化，用該方法可以得到極限學習機所需參數的最優解，實現滾動軸承的故障識別。通過PSO-ELM和ELM實驗結果的比較，可以看出PSO-ELM在識別準確率和所需的時間方面比其他兩種方法更優秀，識別準確率與ELM提升了4.26%。

由此可以說明本文提出的方法可以實現滾動軸承四個狀態下的有效識別，在滾動軸承的故障診斷領域研究具有重要的意義。