基于极限学习机（ELM）的设备健康状态预测开题报告

电脑上传不了附件，用手机上传的。但手机改这里面的文字操作时间过长，会重新登陆，还是改不了。所以这几段都没有改，具体见附件。

在现代化生产中，原材料的供应、半成品在加工点之间的流转、成品的运出，只有依赖物流系统才能不间断地进行，使生产活动得以继续下去。可以说，物流活动为生产的连续性提供了保障^[1]。物流设备是物流系统中的物质基础，是现代化生产中的主要作业工具之一，是合理组织批量生产和机械化流水作业的基础。在物流活动中，如果某台机械设备出现故障而未能及时发现和排除，其结果不仅会导致设备本身损坏，甚至可能造成机毁人亡的严重后果。在物流自动化系统中，如果某台关键设备因故障而不能继续运行，往往会涉及全厂生产系统设备的运行，而造成巨大的经济损失。

物流机械设备中大部分都是旋转机械，而滚动轴承是各类旋转机械中最常用的通用零部件之一，起着承受、传递载荷、保障设备可靠运行的关键作用。与此同时，滚动轴承的工作环境较为恶劣，且受到多种载荷的多重作用，也是机械设备中最易发生故障的零件之一。据统计，旋转机械的故障有30%是由轴承故障引起的，它的好坏对机器的工作状况影响极大。此外，滚动轴承的一大特点就是寿命离散性很大^[2]。这个特点使得有的轴承虽已大大超过设计寿命仍能正常地工作，而有的轴承远未达到设计寿命就出现各种故障。所以，传统的按照设计寿命对轴承进行定时维修的做法是行不通的。除此之外，对滚动轴承进行故障诊断与预测能及时正确地诊断、预防甚至消除各种异常或故障，提高设备的可靠性和安全性，同时可以尽量延长设备的使用寿命，降低费用，以期把故障损失降低到最低水平。总的来说，故障诊断与预测技术不但能预防事故的发生，还能带来巨大的经济效益。因此，对滚动轴承故障诊断和故障预测进行研究对于保障机械安全运转和节约开支具有十分重要的意义。

1.2国内外研究现状

从20世纪60年代起，美国就开始对滚动轴承率先进行故障诊断技术的研究。诊断方法根据振动信号采集方式的不同可分为振动检测法、温度探测法、声发射技术分析法、油样分析法等^[3]。此后，随着技术的进步机械设备愈发复杂精细，机械设备故障预测技术作为一门既有理论基础，又有实际应用背景的正在不断发展、完善的应用学科，随着传感器技术、计算机科学的发展慢慢发展起来。以此为基础的故障预测和健康管理（Prognostic and Health Management, PHM）技术逐渐引起人们的重视，并被众多国内外学者关注和深入研究^[4]。

经过多年的发展，PHM 技术逐渐被推广并被世界众多国家进行研究和应用。在众多轴承故障诊断与预测分析方法中，基于振动信号的诊断方法得到人们的研究力度和关注程度最多，也是应用最为广泛且诊断效果比较好的方法。其中，故障特征提取方法就有许多，比如希尔伯特变换^[5](Hilbert transform) 、小波变换^[6](Wavelet transform, WT) 、经验模态分解^[7]（EmpiricalMode Decomposition, EMD）、短时傅里叶变换^[8](short-time Fourier transform, STFT)等。近年来，许多研究人员又对这些方法进行了改进。比如，陈凯^[9]等人针对传统经验模态分解模式混叠缺陷，用顺序滤波器代替以往的三次样条插值法，构造了一种快速自适应经验模态分解（Fast and Adaptive Empirical ModeDecomposition, FAEMD）方法，显著提高了EMD 算法在滚动轴承故障诊断中的应用效果。而在此基础上对振动信号的特征向量进行轴承的状态识别与分析则是轴承故障诊断与预测的核心关键，为达到目的可使用的分类学习方法也有很多，包括参数比较法和模型分析法。随着人工智能领域的发展，又衍生出了人工神经网络^[10]（Artificial Neural Network, ANN）、支持向量机^[11] (Support Vector Machine, SVM)等方法。比如，徐可^[12]等人利用改进的EMD方法对轴承数据进行分析，然后利用SVM模型对样本进行训练。由于轴承的特征和其运行状态呈非线性关系，在轴承故障诊断与预测领域使用较多的是BP神经网络^[13]（Back-Propagation Neural Network）与极限学习机^[14] (extreme learning machine, ELM)等机器学习算法。比如，Li^[15]等人研究了利用BP神经网络对轴承故障进行诊断，张庆宇^[16]等人利用EEMD与ELM对单向阀进行故障诊断。但与BP神经网络和SVM相比，极限学习机操作更为简便，而且学习速度快，避免了陷入局部最优解的问题^[17]。因此，本文最终选用ELM算法进行分析。而近些年国内对ELM算法也进行了许多研究改进，比如翟俊海^[18]等人针对ELM算法中随机映射的作用进行了研究，覃爱淞^[19]等人针对传统故障诊断方法诊断准确率不高的问题，引入了蝙蝠算法（Bat algorithm, BA）对极限学习机进行优化，构建 BA-ELM模型对滚动轴承故障诊断分类。

因此，本文利用经验模态分解对滚动轴承振动信号进行分解处理作为数据集，利用极限学习机对样本进行训练。在训练完毕后，对未来的轴承运行状态数据进行分析，将其与轴承设备的理论诊断标准相比较以达到故障预测的目的，从而避免安全隐患与经济损失。

2．研究（设计）的基本内容、目标、拟采用的技术方案及措施

2.1研究内容

第一部分：介绍选题的研究背景及意义，综述国内外对故障预测技术的研究现状，且介绍了关于轴承故障诊断与预测的基本原理与常用方法，及目前的发展状况。

第二部分：介绍轴承故障的基本特征，及其相关理论基础。其次介绍了滚动轴承的振动信号分析法及其特征提取的相关理论与基本方法及各自的流程与优缺点。

第三部分：介绍了常用的滚动轴承状态识别与分析方法及其基本原理与优缺点，尤其是本文所采用的极限学习机，其中包括前馈神经网络相关理论、极限学习机基本原理及步骤。

第四部分：将基于极限学习机的预测模型用于滚动轴承故障预测，通过实例分析验证方法的有效性。

第五部分：总结与展望。对本文的主要研究工作做出总结，并对今后工作提出展望。

2.2研究目标

本文主要是在深入研究国内外故障诊断与预测技术发展现状的基础上，对物流设备中的重要零件滚动轴承的故障预测进行研究。具体上，本文选取了经验模态分解对滚动轴承振动信号进行特征提取，在分析常用预测模型的优缺点后，将样本利用极限学习机进行训练，并建立了基于ELM的预测模型。在训练完毕后，建立振动指标评价标准，用 ELM 预测模型对振动指标进行预测。之后将预测的振动指标值标准对比进行分析，得出预测结果。

2.3 拟采用的技术方案及措施

本文所采取的技术路线如图1.1所示。先采集振动信号并处理，然后采用EMD方法提取特征参数，建立ELM预测模型并进行预测，将结果与指标进行对比分析，得出预测结果。

图1.1 技术路线图

4．阅读的参考文献不少于 30 篇（其中近五年外文文献不少于10篇）

[1]张书源，张文杰主编. 物流学概论[M].2015.

[2]丁夏完. 滚动轴承故障智能诊断方法的研究及应用[D].中央民族大学,2006.

[3]李香涛.滚动轴承的状态监测与故障判断[J].山东工业技术,2019(09):55-56.

[4]曾声奎,Michael G.Pecht,吴际.故障预测与健康管理(PHM)技术的现状与发展[J].航空学报,2005(05):626-632.

[5]Haodong Liu,Dongyan Li,YuYuan,Shengjie Zhang,Huimin Zhao,Wu Deng. Fault Diagnosis for a BearingRolling Element Using Improved VMD and HT[J]. Applied Sciences,2019,9(7).

[6] Sparsity guided empirical wavelettransform for fault diagnosis of rolling element bearings[J] . Dong Wang,YangZhao,Cai Yi,Kwok-Leung Tsui,Jianhui Lin. Mechanical Systems and Signal Processing . 2018

[7]Qingyu Yang,Dou An. EMD and WaveletTransform Based Fault Diagnosis for Wind Turbine Gear Box[J]. Advances inMechanical Engineering,2019,5.

[8]Mohammed-El-Amine Khodja,Ameur FethiAimer,Ahmed Hamida Boudinar,Noureddine Benouzza,Azeddine Bendiabdellah.Bearing Fault Diagnosis of a PWM Inverter Fed-Induction Motor Using anImproved Short Time Fourier Transform[J]. Journal of Electrical Engineeringamp; Technology,2019,14(3).

[9]陈凯, 李福才, 李鸿光. 快速自适应经验模态分解方法及轴承故障诊断[J]. 振动、测试与诊断, 2016, 36(4): 647-652.

[10]Jaouher Ben Ali, BrigitteChebel-Morello, Lotfi Saidi, Simon Malinowski, Farhat Fnaiech,Accuratebearing remaining useful life prediction based on Weibull distribution andartificial neural network,Mechanical Systems and Signal Processing,Volumes56–57,2015.

[11]Chen Zhongxin,Zhao Feng,ZhouJun,Huang Panling,Zhang Xutao. Fault Diagnosis of Loader Gearbox Based on anICA and SVM Algorithm.[J]. International journal of environmental researchand public health,2019,16(23).

[12]徐可,陈宗海,张陈斌,董广忠.基于经验模态分解和支持向量机的滚动轴承故障诊断[J].控制理论与应用,2019,36(06):915-922.

[13]曹智军.BP神经网络技术在滚动轴承故障诊断中的应用研究[J].煤矿机械,2019,40(01):146-148.

[14]K. Yan, Z. Ji, H. Lu, J. Huang, W.Shen and Y. Xue, "Fast and Accurate Classification of Time Series DataUsing Extended ELM: Application in Fault Diagnosis of Air HandlingUnits," in IEEE Transactions on Systems, Man, and Cybernetics: Systems,vol. 49, no. 7, pp. 1349-1356, July 2019.

[15]Jimeng Li,Xifeng Yao,XiangdongWang,Qingwen Yu,Yungang Zhang. Multiscale local features learning based on BPneural network for rolling bearing intelligent fault diagnosis[J].Measurement,2020,153.

[16]张庆宇,范玉刚.基于EEMD与ELM的单向阀故障诊断[J].陕西理工大学学报(自然科学版),2019,35(01):42-46 53.

[17]曹世磊.基于极限学习机的滚动轴承故障预测技术研究[D].中国石油大学（北京）.2017.

[18]翟俊海,李塔,翟梦尧,王熙照.ELM算法中随机映射作用的实验研究[J].计算机工程,2012,38(20):164-168.

[19]覃爱淞,吕运容,张清华,胡勤,孙国玺.蝙蝠算法优化极限学习机的滚动轴承故障分类[J].计算机测量与控制,2019,27(05):53-57.