灰色極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障預(yù)測(cè)中的應(yīng)用

徐 遙

(北京交通大學(xué) 電氣工程學(xué)院，北京 100044)

灰色極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障預(yù)測(cè)中的應(yīng)用

徐 遙

(北京交通大學(xué) 電氣工程學(xué)院，北京 100044)

針對(duì)較強(qiáng)噪聲環(huán)境下的滾動(dòng)軸承故障預(yù)測(cè)問(wèn)題，為提高軸承故障預(yù)測(cè)的精度，提出并研究了一種新的滾動(dòng)軸承預(yù)測(cè)技術(shù)；采用將灰色模型和極限學(xué)習(xí)機(jī)(ELM)相結(jié)合的方法,針對(duì)軸承運(yùn)行狀態(tài)值的非線性特點(diǎn)，先將樣本數(shù)據(jù)進(jìn)行灰色處理，解決數(shù)據(jù)的隨機(jī)性和波動(dòng)性問(wèn)題，然后代入學(xué)習(xí)速度快，泛化精度高的ELM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；在訓(xùn)練完畢后，對(duì)未來(lái)的軸承運(yùn)行狀態(tài)數(shù)據(jù)進(jìn)行分析，將其與軸承設(shè)備的理論診斷標(biāo)準(zhǔn)相比較以達(dá)到故障預(yù)測(cè)的目的。

灰色理論；極限學(xué)習(xí)機(jī)；滾動(dòng)軸承；故障預(yù)測(cè)

0 引言

在旋轉(zhuǎn)機(jī)械中，滾動(dòng)軸承是一種使用極其廣泛的易損機(jī)械零件，其運(yùn)行狀況往往能夠直接影響到整個(gè)機(jī)械系統(tǒng)的正常運(yùn)作，即便是出現(xiàn)一點(diǎn)小故障也極有可能造成重大事故。根據(jù)相關(guān)數(shù)據(jù)顯示，有三成左右的旋轉(zhuǎn)機(jī)械設(shè)備故障是由于滾動(dòng)軸承造成的[1]。因此，識(shí)別滾動(dòng)軸承運(yùn)行狀態(tài)是否正常，并根據(jù)反應(yīng)運(yùn)行態(tài)勢(shì)的狀態(tài)數(shù)據(jù)進(jìn)行分析預(yù)測(cè),對(duì)防止機(jī)械事故、確保機(jī)械設(shè)備正常運(yùn)作都極為重要，同時(shí)也能避免和減少不必要的經(jīng)濟(jì)損失。在軸承的實(shí)際運(yùn)行中，反應(yīng)其工作狀態(tài)的數(shù)據(jù)具有非線性和時(shí)變的特點(diǎn)[2]，灰色理論則比較擅長(zhǎng)處理這種類型的數(shù)據(jù)[3]，波動(dòng)和不規(guī)則的原始數(shù)據(jù)通過(guò)灰色理論的方法能演變成具有一定規(guī)律性的生成數(shù)列，在此基礎(chǔ)上進(jìn)行運(yùn)算就可建立灰色預(yù)測(cè)模型對(duì)未態(tài)勢(shì)進(jìn)行預(yù)測(cè)[4]。但是軸承工作時(shí)同時(shí)也會(huì)受噪聲等環(huán)境因素的影響，因此待處理的數(shù)據(jù)也會(huì)收起波動(dòng)性的影響。灰色理論在處理波動(dòng)性較大的數(shù)據(jù)時(shí)的擬合效果較差[5]，因此本文引入具有高線性映射特性的ELM[6]神經(jīng)網(wǎng)絡(luò)來(lái)幫助擬合數(shù)據(jù)，減少預(yù)測(cè)誤差。在工業(yè)應(yīng)用中,訓(xùn)練數(shù)據(jù)往往是單個(gè)或批量化獲得，而傳統(tǒng)ELM必須要在獲得全部的訓(xùn)練數(shù)據(jù)之后才可以進(jìn)行。對(duì)此在傳統(tǒng)ELM上進(jìn)行改進(jìn)，使其能單個(gè)或者批量地學(xué)習(xí)樣本數(shù)據(jù)，擴(kuò)展其應(yīng)用范圍，減少網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。

1 基本原理與方法

1.1 灰色預(yù)測(cè)模型

在傳統(tǒng)的時(shí)間序列擬合預(yù)測(cè)中，通常我們需要大量的數(shù)據(jù)作為基礎(chǔ)才能得到一個(gè)相對(duì)確切的預(yù)測(cè)值[7]。而灰色預(yù)測(cè)模型被證明可以用于有效的處理那些數(shù)量較少，信息貧乏的數(shù)據(jù)，即便是在表征系統(tǒng)行為特征的原始數(shù)據(jù)序列較少的情況下，它也能夠通過(guò)變換原始數(shù)據(jù)序列來(lái)構(gòu)建微分方程[8]。在外部噪聲較強(qiáng)時(shí)，考慮到系統(tǒng)會(huì)受到外部環(huán)境的強(qiáng)烈干擾，使軸承狀態(tài)值呈現(xiàn)離亂狀態(tài)，將反映這種狀態(tài)的數(shù)據(jù)提取出來(lái)，即成為我們要處理的灰色數(shù)據(jù)，灰色模型即是針對(duì)這種類型的數(shù)據(jù)建立的模型。灰色模型通常用一般微分方程表示，其描述了某段時(shí)間內(nèi)系統(tǒng)內(nèi)部事物發(fā)展變化的過(guò)程?；疑Ｐ偷慕⒂腥齻€(gè)基本的步驟：(1)對(duì)原始數(shù)據(jù)進(jìn)行累加生成(AGO)；(2)對(duì)累加生成數(shù)據(jù)在灰色模型中進(jìn)行灰色預(yù)測(cè)；(3)將數(shù)據(jù)進(jìn)行累減生成，使得在灰色預(yù)測(cè)中得到的數(shù)據(jù)重新回到初始形態(tài)，以此得到準(zhǔn)確的預(yù)測(cè)值。在灰色預(yù)測(cè)模型中在最常應(yīng)用到的是GM(1,1)模型[9]，下面對(duì)GM(1,1)模型的基本建模原理進(jìn)行闡述。

設(shè)原始灰色數(shù)據(jù)為x(0)(1),x(0)(2),…,x(0)(n)，記為:

x(0)=(x(0)(1),x(0)(2),…,x(0)(n))

對(duì)其作累加，得到:

x(1)=(x(1)(1),x(1)(2),…,x(1)(n))，k=1,2,…,n

這個(gè)過(guò)程稱之為AGO(Accumulated Generating Operation)，AGO通過(guò)將原始數(shù)列轉(zhuǎn)化為遞增數(shù)列的方式來(lái)解決隨機(jī)性和波動(dòng)性問(wèn)題，由于其有規(guī)律可循，故而很好的提高了構(gòu)建基于微分方程形式的預(yù)測(cè)模型的精度。

建立如下GM(1,1)模型：

(1)

灰色預(yù)測(cè)模型即方程(1)所示，其中采用最小二乘法擬合便可求得a,u兩個(gè)常數(shù)的值:

其中:

Yn=(x(0)(2),x(0)(3),…,x(0)(n))

微分方程(1)的解(定義其為時(shí)間響應(yīng)函數(shù))如下:

(2)

數(shù)列的預(yù)測(cè)公式如(2)式所示，可以根據(jù)公式(3)對(duì)原始數(shù)列的還原預(yù)測(cè)值進(jìn)行求解，其中式(2)是對(duì)一次累加生成數(shù)列的預(yù)測(cè)值，這個(gè)過(guò)程也叫做IAGO(Inverse Accumulated Generating Operation)。

(3)

1.2 ELM算法

灰色理論與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相結(jié)合組成的預(yù)測(cè)模型已在實(shí)際中取得應(yīng)用[10-12]，但傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)速率固定，收斂速度慢，訓(xùn)練時(shí)間長(zhǎng)的缺點(diǎn)[13]。針對(duì)其存在的問(wèn)題，Huang等人提出了ELM算法[14]，該算法區(qū)別于傳統(tǒng)的應(yīng)用迭代求解的學(xué)習(xí)算法，相較于傳統(tǒng)算法運(yùn)行速度更快，同時(shí)具備很高的泛化性能。

x∈Rn,ai∈Rn,βi∈Rm

(4)

在此式中，ai=[ai1,ai2,…aim]T是權(quán)值向量，鏈接第i個(gè)隱含層節(jié)點(diǎn)與輸入層，bi代表 第i個(gè)隱含層節(jié)點(diǎn)偏差；βi=[βi1,βi2,…βim]T代表第i個(gè)隱含層節(jié)點(diǎn)的輸出權(quán)值向量；ai·x表示向量ai與輸入xj之間的內(nèi)積。

?

(5)

現(xiàn)在將式(5)合并矩陣格式為：

Hβ=T

(6)

式(6)的H矩陣定義為隱含層輸出矩陣。H矩陣的i列與第i個(gè)隱含層節(jié)點(diǎn)關(guān)于x1,x2,…,xN的輸出向量相對(duì)應(yīng)，隱含層關(guān)于xj的輸出則于H矩陣的j列相對(duì)應(yīng)。

(7)

其中:H+為隱含層輸出矩陣H的廣義逆矩陣。

2 軸承故障預(yù)測(cè)模型

2.1 針對(duì)軸承故障預(yù)測(cè)的改進(jìn)ELM算法

軸承的工作數(shù)據(jù)在實(shí)際應(yīng)用中通常是接連到達(dá)的[15]，為使ELM能夠?qū)@種類型的樣本進(jìn)行學(xué)習(xí)，可在原算法基礎(chǔ)上作如下優(yōu)化：

假設(shè)一開(kāi)始到達(dá)的訓(xùn)練樣本集為X0，將其表示為：

(8)

根據(jù)ELM算法，應(yīng)當(dāng)將‖H0β-T0‖進(jìn)行最小化，通過(guò)下式可以計(jì)算出‖H0β-T0‖的最小化解：

(9)

(10)

對(duì)這兩組訓(xùn)練樣本和進(jìn)行綜合分析，此時(shí)輸出權(quán)值的表達(dá)式變?yōu)?/p>

(11)

其中，

(12)

為了滿足順序?qū)W習(xí)的要求，將β(1)的表達(dá)式變換為與β(0)、P1、H1及T1相關(guān)的函數(shù)式：

(13)

如此便可以將式(11)的表達(dá)式寫為如下形式：

(14)

通過(guò)分析上述過(guò)程，每當(dāng)有新的樣本到達(dá)網(wǎng)絡(luò)，一般的遞歸最小二乘法與對(duì)最小二乘解的更新的遞歸算法基本一致16]。因此當(dāng)?shù)趉+1組數(shù)據(jù)達(dá)到時(shí)，便可用下式表達(dá)：

式中,Nk+1代表第k+1組的數(shù)據(jù)長(zhǎng)度。此時(shí)的輸出權(quán)值β便可用下面的公式表示：

(16)

值得注意的是，為了使得修改后的模型達(dá)到與原ELM同等的學(xué)習(xí)性能，不損失其原有的識(shí)別準(zhǔn)確率，隱含層節(jié)點(diǎn)的數(shù)目和H0的秩應(yīng)當(dāng)保持一致，這就要求在初始化數(shù)據(jù)時(shí)應(yīng)當(dāng)合理界定其數(shù)量，使其不小于隱含層節(jié)點(diǎn)數(shù)目。

2.2 灰色ELM組合預(yù)測(cè)模型

從上面介紹的方法我們可以看到,GM(1.1)灰色預(yù)測(cè)模型在運(yùn)用最小二乘法對(duì)微分方程進(jìn)行求解, 很難反映出復(fù)雜的非線性映射的灰色數(shù)列的動(dòng)態(tài)過(guò)程。因此我們引入一個(gè)簡(jiǎn)單的解決方案,運(yùn)用ELM神經(jīng)網(wǎng)絡(luò)來(lái)擬合非線性系統(tǒng)下的輸入輸出映射。這樣一來(lái)，灰色預(yù)測(cè)模型和ELM神經(jīng)網(wǎng)絡(luò)的結(jié)合能顯著的減弱數(shù)據(jù)的不確定性帶來(lái)的影響,同時(shí)也能為組合模型良好的收斂速度和非線性等優(yōu)點(diǎn)。二者的組合預(yù)測(cè)模型如圖1所示。

圖1 灰色elm預(yù)測(cè)模型

在封閉的虛線內(nèi)的ELM神經(jīng)網(wǎng)絡(luò)包含如下三層：輸入層直接向隱藏層傳遞輸入信號(hào)；隱藏層對(duì)輸入層產(chǎn)生響應(yīng)，在本文中,高斯函數(shù)被應(yīng)用為隱藏層的激活函數(shù),輸出層將隱藏層的各個(gè)節(jié)點(diǎn)線性的鏈接起來(lái)。AGO和IAGO模塊分別對(duì)應(yīng)灰色預(yù)測(cè)中的累加生成和累減生成。

訓(xùn)練數(shù)據(jù)經(jīng)過(guò)累加生成后進(jìn)入ELM神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)訓(xùn)練數(shù)據(jù)的學(xué)習(xí)，各層的連接系數(shù)在ELM算法的幫助下進(jìn)行了不斷的修正，最后將神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)作累減生成處理，得到最終的預(yù)測(cè)數(shù)據(jù)。

3 軸承故障預(yù)測(cè)實(shí)例

要進(jìn)行故障預(yù)測(cè)，如何確定診斷標(biāo)準(zhǔn)是首選要解決的問(wèn)題，本文運(yùn)用測(cè)振儀對(duì)發(fā)電機(jī)軸承的振動(dòng)加速度值進(jìn)行監(jiān)測(cè)，在積累一定的歷史數(shù)據(jù)后，以概率統(tǒng)計(jì)為依據(jù)，結(jié)合實(shí)踐經(jīng)驗(yàn)并根據(jù)軸承實(shí)際運(yùn)行情況，制訂出中頻發(fā)電機(jī)的診斷標(biāo)準(zhǔn)如表1所示。

表1 軸承故障診斷標(biāo)準(zhǔn)

表1中μ為軸承設(shè)備在一定的正常工作時(shí)間內(nèi)運(yùn)行所得值的平均值,σ為該時(shí)間內(nèi)正常值的標(biāo)準(zhǔn)差，σ的系數(shù)可根據(jù)軸承設(shè)備的重要性和實(shí)際應(yīng)用情況進(jìn)行確定，軸承在不同運(yùn)行條件下σ系數(shù)應(yīng)結(jié)合現(xiàn)場(chǎng)的具體情況進(jìn)行修正。

選取一定量的監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，采用MATLAB作為數(shù)據(jù)處理平臺(tái)，應(yīng)用灰色ELM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，步驟如下：

1)建立灰色AGO模型對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行累加生成處理，以達(dá)到弱化數(shù)據(jù)隨機(jī)性的目的。

2)將經(jīng)過(guò)灰色處理的數(shù)據(jù)代入到ELM神經(jīng)網(wǎng)絡(luò)模型中，在對(duì)網(wǎng)絡(luò)輸入層的權(quán)值和隱含層的偏差取隨機(jī)值后，便可得到隱含層的具體矩陣。

3)根據(jù)優(yōu)化后的ELM算法，求解輸出權(quán)值矩陣，在這個(gè)求解過(guò)程中神經(jīng)網(wǎng)絡(luò)各層的系數(shù)被不斷的進(jìn)行修正，直到在得到輸出權(quán)值矩陣的最小二乘范數(shù)解后修正過(guò)程才結(jié)束，完成對(duì)ELM神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

4)神經(jīng)網(wǎng)絡(luò)輸出的數(shù)據(jù)最終流入到灰色I(xiàn)AGO模型中，經(jīng)過(guò)累減生成處理最終將數(shù)據(jù)還原到灰色處理以前的形態(tài)。

為驗(yàn)證上述軸承預(yù)測(cè)模型的效果，選取一定量接近重點(diǎn)觀察區(qū)域的監(jiān)測(cè)數(shù)據(jù)作為測(cè)試樣本，代入到訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)，同時(shí)為起到對(duì)比參照的作用，將其也代入到灰色GM(1.1)模型中進(jìn)行預(yù)測(cè)，仿真結(jié)果如圖2和圖3所示，通過(guò)比較可以看到，灰色GM(1.1)預(yù)測(cè)模型基本反映了軸承從正常工作階段到重點(diǎn)觀測(cè)階段的走勢(shì)，但有些點(diǎn)的誤差較大; 而灰色ELM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值更貼合實(shí)際值，精確的貼合了數(shù)據(jù)變化的趨勢(shì)，顯著提高了預(yù)測(cè)精度。

圖2 灰色預(yù)測(cè)仿真結(jié)果

圖3 灰色ELM預(yù)測(cè)仿真結(jié)果

在將圖3中灰色ELM神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)值和制定的故障診斷標(biāo)準(zhǔn)作分析比較后，可以發(fā)現(xiàn)在時(shí)刻k=34時(shí)候軸承加速度的預(yù)測(cè)值已經(jīng)達(dá)到2.42 g,處于重點(diǎn)觀察區(qū)域，為避免事故發(fā)生減少不必要的損失，應(yīng)當(dāng)針對(duì)實(shí)際情況采用有效的維修手段，杜絕其工作到停機(jī)線附近的可能。

ELM跟傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比訓(xùn)練速度和泛化能力都很優(yōu)秀，然而在實(shí)際訓(xùn)練過(guò)程中ELM因左側(cè)權(quán)值是隨機(jī)確定的，因此在穩(wěn)定性和模型精度上還有待改進(jìn)。ELM和灰色理論的結(jié)合，是利用了組合預(yù)測(cè)方法結(jié)合單項(xiàng)預(yù)測(cè)方法的優(yōu)勢(shì)，綜合應(yīng)用單項(xiàng)預(yù)測(cè)所提供的信息，從而有效的減少了預(yù)測(cè)誤差，提高了預(yù)測(cè)精度。在軸承故障預(yù)測(cè)領(lǐng)域中，灰色理論和ELM神經(jīng)網(wǎng)絡(luò)的結(jié)合所建立的軸承故障預(yù)測(cè)模型，有效的解決了軸承故障類別多樣化所引發(fā)的單一模型預(yù)測(cè)精度有限的問(wèn)題，拓寬了使用范圍。在原始樣本數(shù)據(jù)有限的情況下依然能夠通過(guò)獲取高精度的擬合數(shù)據(jù)來(lái)提高預(yù)測(cè)的精度，實(shí)現(xiàn)對(duì)軸承的運(yùn)行趨勢(shì)的預(yù)測(cè)，在實(shí)際的工業(yè)生產(chǎn)中有著現(xiàn)實(shí)的意義。

4 結(jié)論

本文分別應(yīng)用灰色預(yù)測(cè)模型與灰色ELM神經(jīng)網(wǎng)絡(luò)模型，對(duì)提取的反應(yīng)軸承振動(dòng)加速度的少量樣本數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，從仿真結(jié)果可以看出，灰色ELM神經(jīng)網(wǎng)絡(luò)模型與灰色預(yù)測(cè)模型相比，預(yù)測(cè)效果更好，精度更高，跟實(shí)際數(shù)據(jù)更為貼合。對(duì)軸承特征量加速度的研究，不僅為工作狀態(tài)中的故障的預(yù)測(cè)提供一種可行有效的方法，也能為軸承壽命及可靠性等性能指標(biāo)的提供一定的參考價(jià)值;同時(shí)預(yù)測(cè)選取的特征量也不局限于加速度，亦可將采用其他特征量，運(yùn)用到灰色ELM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的中實(shí)現(xiàn)其故障預(yù)測(cè)。

[1] 陳 進(jìn). 機(jī)械設(shè)備振動(dòng)監(jiān)測(cè)與故障診斷[M]. 上海：上海交通大學(xué)出版社, 1999.

[2] 邵毅敏,涂文兵. 深溝球軸承三維非線性時(shí)變振動(dòng)特性研究[J]. 振動(dòng)工程學(xué)報(bào),2013,(06):831-838.

[3] 王 亮,滕克難,呂衛(wèi)民,等. 基于粒子群算法的非線性時(shí)變參數(shù)離散灰色預(yù)測(cè)模型[J]. 統(tǒng)計(jì)與決策,2015,(12):16-19.

[4] Lin Y H, Chiu C C, Lee P C, et al. Applying fuzzy grey medication model on inflow forecasting[J]. Eng. Appl. Artif. Intell,2012(25):734-743.

[5] 張文斌,郭德偉,普亞松,等. 諧波窗分解樣本熵與灰色關(guān)聯(lián)度在轉(zhuǎn)子故障識(shí)別中的應(yīng)用[J].中國(guó)電機(jī)學(xué)報(bào)，2013(21):132-137.

[6] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006(70):489-501.

[7] 魏二虎,李智強(qiáng),龔光裕,等. 極移時(shí)間序列模型的擬合與預(yù)測(cè)[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2013,(12):1420-1424.

[8] 王大鵬. 灰色預(yù)測(cè)模型及中長(zhǎng)期電力負(fù)荷預(yù)測(cè)應(yīng)用研究[D].武漢：華中科技大學(xué),2013.

[9] 劉思峰,曾 波,劉解放,等. GM(1,1)模型的幾種基本形式及其適用范圍研究[J]. 系統(tǒng)工程與電子技術(shù),2014(3):501-508.

[10] Alvisi S, Franchini M. Grey neural networks for river stage forecasting with uncertainty[J]. Phys. Chem. Earth,2012,42-44,108-118.

[11] 陳 帥,王 勇,呂 豐,等. 基于灰色理論和神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J]. 上海電力學(xué)院學(xué)報(bào),2013(6):527-531.

[12] 廉書林. 基于灰色理論與神經(jīng)網(wǎng)絡(luò)的油液污染和機(jī)械磨損狀況研究[D].鄭州：河南工業(yè)大學(xué),2014.

[13] 劉春艷,凌建春,寇林元,等. GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì),2013(2):173-176.

[14] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006,489-501.

[15] 朱可恒. 滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D].大連：大連理工大學(xué),2013.

[16] Edwin K, Stanislaw H Z. An introduction to optimization [J]. Antennas and Propagation Magazine IEEE, 2001, 38(2): 1-40.

Rolling Element Bearing Fault Prediction Based on Grey Sequential Extreme Learning Machine

Xu Yao

(School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044,China)

Aiming at the prediction of rolling element bearing fault in the strong noise environment, a novel method of prediction for rolling element bearing is proposed to improve the bearing fault prediction accuracy. This paper presents a kind of new rolling bearing prediction technology, using grey model combined with the extreme learning machine (ELM). The sample is first grey processed to solve the randomness and volatility, and then introduced into the extremely fast learning speed and high generalization accuracy of ELM neural network training. Based on the trained model, the bearing operation state of future time points is analyzed, and the result is compared with the theoretical diagnosis standard of the bearing equipment to realize the fault prediction.

grey theory; ELM; rolling element bearings; fault prediction

2017-03-30；

2017-04-24。

徐 遙(1987-)，男，湖南桃江人，碩士研究生，主要從事機(jī)器學(xué)習(xí)，故障檢測(cè)方向的研究。

1671-4598(2017)07-0063-03

10.16526/j.cnki.11-4762/tp.2017.07.016

TN9

A