基于KPCA和优化ELM的齿轮箱故障诊断*

李梦瑶，周 强，于忠清

(青岛大学数据科学与软件工程学院，山东 青岛 266071)

0 引言

齿轮箱是旋转机械的一种关键传动部件。工作环境往往十分恶劣而且复杂，若发生故障，不但会造成设备失灵，还会带来安全隐患与难以估量的经济损失[1]。因此，实时有效的齿轮箱故障诊断方法对降低设备维修成本，保障安全具有重要的意义。

齿轮箱的故障诊断关键在于信号故障特征提取和故障模式的分类识别。齿轮箱在传动过程中，多个部件相互啮合产生的振动会对故障部件的信号造成干扰，因此从多故障模式振动信号中提取有效的故障特征信息，仍是齿轮箱故障诊断中亟待解决的问题[2]。齿轮箱发生故障时振动信号通常表现为非线性，因此模式识别中使用较广的是BP神经网络和ELM等机器学习方法。程鹏等[3]将自组织映射与BP神经网络相结合，提取齿轮箱的不同故障特征进行训练，改进了BP的网络性能。桂斌斌等[4]采用PSO-BP混合算法模型，对BP神经网络进行优化，并将其应用于齿轮箱故障诊断，故障分类准确率有所提升。程加堂等[5]以风力发电机组齿轮箱为研究对象，使用小波分析降噪，建立混沌量子粒子群优化BP神经网络诊断模型，提取典型故障特征进行故障诊断。虽然前期工作取得了一定效果，BP神经网络仍存在多方面的局限性。ELM是一种单层前馈神经网络，无需反复对隐藏层参数进行调整，相比传统的分类方法，具有泛化性能好、计算复杂度低等优点。……