排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。

Application of permutation entropy and kernel extreme learning machine in fault diagnosis of gear