CN108171263A - 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法，其特征在于：采集不同类型故障下滚动轴承的振动信号，采用最大相关峭度反卷积对振动信号滤波，以粒子群算法对最大相关峭度反卷积方法进行参数寻优，提出以信号反卷积后包络能量熵作为适应度函数；提出能量阈值对变分模态分解的模态个数进行改进，实现对滤波后的振动信号的改进变分模态分解，得到对应振动信号的模态矩阵；将所述模态矩阵进行奇异值分解，得到奇异值向量并构建滚动轴承故障特征集；采用极限学习机对所述故障特征集进行训练，建立滚动轴承故障诊断模型。本发明实现滚动轴承复杂振动信号的稳定特征提取，从而提升诊断准确率。

Description

基于改进变分模态分解和极限学习机的滚动轴承故障诊断 方法

技术领域

本发明属于机械故障诊断领域，具体涉及一种基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法。

背景技术

滚动轴承是在旋转机械中不可或缺的通用机械部件之一，被广泛的应用于冶金、航天、化工等领域。由于滚动轴承的工作面与接触应力的长期反复作用以及长期处在高转速、高负荷、高温等环境下，导致滚动轴承极易产生疲劳、裂痕等故障，从而造成滚动轴承的异常振动以至于影响与其关联设备乃至整台机器的性能(精度、可靠性等)，在实际生产中，滚动轴承故障引起设备失效的可能性最大。因此，保证滚动轴承在一定的工作环境下，以稳定的转动速度在一定工作周期内可靠稳定的运行，对保证设备性能和安全运行有着重大意义。

引起滚动轴承振动的激励原因是多方面的：生产过程中的制造误差(尺寸、形状等误差，比如滚动体大小不一等)；安装过程中的装配误差(如轴不对中等)；运行过程中的故障误差(如裂纹、点蚀、润滑等)，因此实际中，通过安装在滚动轴承不同部位的振动加速度传感器获得的振动信号除了反应轴承本身工作状态外，会包含大量机械其他部件的调制信息，导致信号中包含大量噪声，使得采集到的振动信号具有强烈的非线性、非平稳特点。目前，国内外对滚动轴承故障诊断的现有技术中主要基于信号处理技术(小波变换、HHT(Hilbert-Huang Transform)、EMD(Empirical Mode Decomposition)、EEMD(EnsembleEmpirical Mode Decomposition)、变分模态分解(Variational Mode Decomposition)等)和智能分类算法(BP神经网络、支持向量机等)。

小波变换在处理非线性信号方面有独特的优势，可以对信号时域频域进行局部细化分析，但是选取的小波基不同，分解的结果不同，目前小波基选择仍然没有一个较好的理论。EMD能够将信号自适应地分解为多个本征模态函数，但是由于递归分解，容易使得分解误差逐层向下传递，造成模态混叠、过包络、端点效应等问题，基于EMD发展的EEMD仍没有很好的解决该问题。HHT是通过信号的EMD分解，摆脱了线性和平稳性的束缚，但缺乏严谨的物理意义，需要复杂的递归，运算时间较长，使得只有在组合较为简单的条件下HHT较为有效。变分模态分解算法克服了EMD的模态混叠现象，但模态个数参数的设定没有理论依据，对信号分解的影响较大。BP神经网络是目前较为常用的状态识别方法，具有泛化能力和容错能力强、非线性映射等优点，但也存在着网络结构难以确定、收敛速度慢的问题。支持向量机相比BP神经网络具有较快的收敛速度，但其存在部分参数难以确定，训练时间过长等问题。

在现有技术中，对于滚动轴承的故障诊断存在着特征提取不准确，诊断模型建立时间较长和诊断准确率较低等问题。

发明内容

为了解决上述缺陷，本发明提出了一种基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法，以期能够实现滚动轴承复杂振动信号的稳定特征提取，从而提升诊断准确率。

为达到上述目的，本发明采用的技术方案为：

本发明一种基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法的特点是按如下步骤进行：

步骤1、利用加速度振动传感器分别采集不同故障类型的滚动轴承的振动信号，记为X＝{X₁,X₂,...,X_i,...,X_A}，A表示A类故障类型，1≤i≤A，X_i表示第i类故障信号样本集合，且m表示第i类故障信号样本数，表示第i类故障信号集合中第j个样本，每个样本为N×1维向量，1≤j≤m；故障信号样本的总数为M；根据A类故障类型对所述故障信号样本集合X添加工况标签，记为Y＝{Y₁,Y₂,...,Y_i,...,Y_A}，Y_i为常量，表示第i类故障信号样本集合X_i对应的工况标签；

步骤2、随机选取第i类故障信号集合中第j个样本采用粒子群算法对所最大相关峭度反卷积参数进行寻优，得到处理所述第i类故障信号集合X_i的最大相关峭度反卷积的参数：

步骤2.1、初始化粒子种群，种群粒子个数为q，粒子维数为D，以滤波器长度H和周期T编码每个粒子，其中第a个粒子记为[H_a,T_a]，1≤a≤q，当前迭代次数为L，初始化L＝1，最大迭代次数为L_max；

步骤2.2、根据所述第i类故障信号集合中第j个样本判断L＝1是否成立，若成立，则随机初始化第L代第a个粒子的位置和速度否则，利用式(1)更新第L代第a个粒子的位置和速度

式(1)中，ω表示权重因子，c₁,c₂表示加速度因子，η表示随机数，0≤η≤1；

步骤2.3、根据第L代第a个粒子的位置对所述第i类故障信号集合中第j个样本进行最大相关峭度反卷积，得到滤波信号

步骤2.4、利用式(2)计算第L代第a个粒子的适应度函数值

式(2)中，表示第L代第a个粒子的包络能量熵；

步骤2.5、对q个粒子分别按照式(2)计算得到第L代q个粒子的适应度函数值集合

步骤2.6、判断L＝1是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，执行步骤2.7；

步骤2.7、判断是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值

步骤2.8、将L+1赋值给L，判断L＞L_max是否成立，若成立，则输出第L_max代全局极值所对应的粒子作为处理所述第i类故障信号集合X_i的最大相关峭度反卷积的参数，并对所述第i类故障信号集合X_i进行最大相关峭度反卷积处理，从而得到第i类滤波信号集合 表示第i类第j个滤波信号，否则，执行步骤2.2；

步骤3、重复步骤2，从而得到A类滤波信号组

步骤4、随机选取第i类滤波信号集合中第j个滤波信号并进行改进变分模态分解，得到第i类模态总数K_i：

步骤4.1、定义当前迭代次数为n、最大迭代次数为N_max，第i类模态总数为K_i、第i类模态中任意一个模态记为k_i；

步骤4.2、初始化K_i＝1；

步骤4.3、初始化n＝1，随机初始化第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.4、将n+1赋值给n，判断n＞N_max是否成立，若成立，则执行步骤4.6，否则，利用更新公式得到第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.5、判断是否成立，若成立，则执行步骤4.6，否则，返回步骤4.4执行；其中，e表示变分模态分解参数阈值，||·||表示模长；

步骤4.6、判断式(3)是否成立，若成立，则将K_i+1赋值给K_i后，返回步骤4.3；否则，终止计算，并输出第i类模态总数K_i；

式(3)中，表示以第j个滤波信号作为原始信号f(t)对应的傅里叶变换，υ表示能量阈值；

步骤5、根据所述第i类模态总数K_i，对所述第i类故障信号样本集合X_i进行改进变分模态分解，得到第i个模态矩阵

步骤6、重复步骤4和步骤5，从而得到A类故障所对应的模态总数集合K＝{K₁,K₂,...,K_i,...,K_A}以及M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}；

步骤7、利用奇异值分解方法对第i个模态矩阵U_i进行奇异值分解，得到第i个奇异值向量s_i；

步骤8、对M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}重复步骤7，从而得到M个奇异值向量构建的故障特征矩阵S＝(s₁,s₂,...,s_i,...,s_M)；

步骤9、对所述故障特征矩阵S按行归一化处理到[-1,1]之间，并将归一化后的故障特征矩阵S′与其对应的工况标签Y，构建故障特征集

步骤10、将极限学习机输入节点设为模态总数集合K中的最大值，输出节点设为A，隐含层节点以分类准确率最高为标准进行选取，采用极限学习机对所述故障特征集进行训练，得到轴承故障检测模型，从而利用所述轴承故障检测模型实现对机械滚动轴承故障的检测。

与已有技术相比，本发明有益效果体现在：

1、本发明在进行故障诊断之前通过最大相关峭度反卷积实现滚动轴承复杂信号的滤波，以粒子群算法对最大相关峭度反卷积进行参数寻优，提出了以振动信号反卷积后的包络能量熵作为适应度函数，从而实现了适应不同故障类型的滚动轴承振动信号的信号滤波，有效地突出了复杂信号中不同故障类型滚动轴承本身的周期振动信号，进而实现了滚动轴承振动信号的有效特征提取；

2、本发明提出能量阈值对变分模态分解的模态个数参数进行调整实现变分模态分解算法的改进，从而实现了自适应模态个数的信号分解，弥补了变分模态分解在模态个数设定方面的不足，有效地抑制了模态混叠现象，进而自动挖掘出隐含在信号中的周期分量，提高了故障诊断正确率；

3、本发明采用奇异值作为滚动轴承振动信号的特征，当振动信号数值发生变化或者受到扰动，能保证奇异值变化值的平方不会受到扰动矩阵范数，实现了信号稳定的特征提取，克服了对未知样本特征提取不明的问题；

4、本发明采用极限学习机对测试样本进行诊断分类，只需设置隐含层神经元个数，无需调整训练期间的输入层和隐含层的权值，从而缩短了诊断模型的建立时间，使得学习速度加快，具有较好的泛化性能；

附图说明

图1是本发明故障诊断方法流程图。

图2是本发明改进变分模态分解方法流程图；

图3是本发明改进变分模态分解结果示意图；

图4是本发明特征提取流程图；

图5是本发明极限学习机结构框图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但本发明并不受具体实施方式限制。

本发明实例采用滚动轴承故障信号作为实验依据进行分析处理，轴承型号6205-2RS JEM SKF，滚动体个数为9，通过电火花技术对轴承人为引入直径为0.1778mm，深0.2794mm的单点故障，通过安装在滚动轴承不同部位的加速度振动传感器分别采集不同单故障类型下滚动轴承的振动加速度信号，采样频率为12kHz，转速为1797rpm，数据中包含4种类型滚动轴承故障数据，包括正常数据、内圈故障数据、外圈故障数据、滚动体故障数据，每种类型故障数据包含50组振动加速度数据，总组数200组，采样点数为2048点。硬件环境为：Windows 10系统，Inter(R)Core(i7)4.0GHz，软件版本MATLAB 2017a。如图1所示，针对振动信号按如下步骤进行滚动轴承故障诊断：

步骤1、利用加速度振动传感器分别采集不同故障类型的滚动轴承的振动信号，记为X＝{X₁,X₂,...,X_i,...,X_A}，A表示A类故障类型，1≤i≤A，本实例中设置A＝4，X_i表示第i类故障信号样本集合，且m表示第i类故障信号样本数，本实例中设置m＝50，表示第i类故障信号集合中第j个样本，每个样本为N×1维向量，本实例中设置N＝2048，1≤j≤m；故障信号样本的总数为M，本实例中M＝200；根据A类故障类型对故障信号样本集合X添加工况标签，记为Y＝{Y₁,Y₂,...,Y_i,...,Y_A}，Y_i为常量，表示第i类故障信号样本集合X_i对应的工况标签；

步骤2、滚动轴承振动信号除了反应轴承本身工作状态外，会包含大量机械其他部件的调制信息，导致信号中包含大量噪声，因此采用最大相关峭度反卷积对复杂振动信号进行周期性信号提取，实现滤波效果，同时针对最大相关峭度反卷积参数难以确定，采用粒子群算法对所最大相关峭度反卷积参数进行寻优，即以粒子群算法获取最大相关峭度反卷积最优参数，从而实现适应不同故障类型的滚动轴承振动信号的信号滤波。随机选取200组振动数据中第i类故障信号集合中第j个样本按如下步骤进行：

步骤2.1、初始化粒子种群，种群粒子个数为q，粒子维数为D，以滤波器长度H和周期T编码每个粒子，其中第a个粒子记为[H_a,T_a]，1≤a≤q，当前迭代次数为L，初始化L＝1，最大迭代次数为L_max，本实例中，种群粒子个数为q＝30，粒子维数为D＝2，最大迭代次数为L_max＝100。

步骤2.2、根据第i类故障信号集合中第j个样本判断L＝1是否成立，若成立，则随机初始化第L代第a个粒子的位置和速度否则，利用式(1)更新第L代第a个粒子的位置和速度

式(1)中，ω表示权重因子，c₁,c₂表示加速度因子，η表示随机数，0≤η≤1；

步骤2.3、根据第L代第a个粒子的位置对第i类故障信号集合中第j个样本进行最大相关峭度反卷积，得到滤波信号其中维数为N×1；

步骤2.4、利用式(2)计算第L代第a个粒子的适应度函数值

式(2)中，表示第L代第a个粒子的包络能量熵；

步骤2.5、对q个粒子分别按照式(2)计算得到第L代q个粒子的适应度函数值集合

步骤2.6、判断L＝1是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，执行步骤2.7；

步骤2.7、判断是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值

步骤2.8、将L+1赋值给L，判断L＞L_max是否成立，若成立，则输出第L_max代全局极值所对应的粒子作为处理第i类故障信号集合X_i的最大相关峭度反卷积的参数，并对第i类故障信号集合X_i进行最大相关峭度反卷积处理，从而得到第i类滤波信号集合 表示第i类第j个滤波信号，否则，执行步骤2.2；

步骤3、重复步骤2，从而得到A类滤波信号组

步骤4、随机选取第i类滤波信号集合中第j个滤波信号并进行改进变分模态分解，得到第i类模态总数K_i，即针对变分模态分解的模态个数难以确定，通过增加外循环实现适应不同故障类型滚动轴承振动信号的自适应变分模态分解，保留了变分模态分解本身结构没有进行改动，因此变分模态分解避免模态混叠和过分解的优点得到继承，如图2所示，改进变分模态分解按如下步骤进行：

步骤4.1、定义当前迭代次数为n、最大迭代次数为N_max，本实例中设置N_max＝500，第i类模态总数为K_i、第i类模态中任意一个模态记为k_i；

步骤4.2、初始化K_i＝0；

步骤4.3、初始化n＝1，随机初始化第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.4、将n+1赋值给n，判断n＞N_max是否成立，若成立，则执行步骤4.6，否则，利用更新公式得到第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.5、判断是否成立，若成立，则执行步骤4.6，否则，返回步骤4.4执行；其中，e表示变分模态分解参数阈值，||·||表示模长；

步骤4.6、判断式(3)是否成立，若成立，则将K_i+1赋值给K_i后，返回步骤4.3；否则，终止计算，并输出第i类模态总数K_i：

式(3)中，表示以第j个滤波信号作为原始信号f(t)对应的傅里叶变换，υ表示能量阈值；图3以内圈故障信号为例进行说明，经计算内圈故障信号的模态个数为4，对内圈故障类型信号的模态个数设定为4进行变分模态分解：

步骤5、根据第i类模态总数K_i，对第i类故障信号样本集合X_i进行改进变分模态分解，得到第i个模态矩阵

步骤6、重复步骤4和步骤5，从而得到A类故障所对应的模态总数集合K＝{K₁,K₂,...,K_i,...,K_A}以及M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}；

步骤7、如图4所示，将上述得到的第i个模态矩阵U_i按照式(4)进行奇异值分解，得到第i个奇异值向量s_i，其中s_i按照大小排列：

式(4)中，A，B表示两个酉矩阵，a_i，b_i为A，B对应列向量，D为对角矩阵：

表示奇异值，r表示奇异值非零项个数。

步骤8、对M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}重复步骤7，从而得到M个奇异值向量构建的故障特征矩阵S＝(s₁,s₂,...,s_i,...,s_M)，由于奇异值分解信号为不同的模态矩阵U_i，因此分解的奇异值s_i非零值个数r为对应类型的模态个数K_i，根据得到的模态总数集合K＝{K₁,K₂,...,K_i,...,K_A}，以最大的模态个数为基准p，其余模态个数不足p的用零值补齐。

步骤9、对故障特征矩阵S根据式(5)按行归一化处理到[-1,1]之间，并将归一化后的故障特征矩阵S′与其对应的工况标签Y，构建故障特征集为了对所提方法进行验证，将故障特征集分为训练样本集B和测试样本集C，其中训练样本集B选为120组，测试样本集选为80组：

式(5)中，x^max＝1，x^min＝-1，s_ij表示第i组数据对应的第j个奇异值。

步骤10、将极限学习机输入节点设为模态总数集合K中的最大值，输出节点设为A，隐含层节点以分类准确率最高为标准进行选取，采用极限学习机对训练样本集B进行训练，得到轴承故障检测模型如式(6)所示：

Minimize:||Hβ-Q||²and||β|| (6)

式(6)中，H表示隐含层输出矩阵，β表示隐含层和输出节点之间的连接权值，Q表示输出矩阵，||·||表示欧式范数。训练得到的极限学习机结构如图5所示，x_i表示输入层节点，o_i表示隐含层节点，y_i表示输出层节点，w_ij表示输入层第i个节点到隐含层第j个节点的连接权值，β_jk表示隐含层第j个节点到输出层第k个节点的连接权值。

步骤11、采用训练好的滚动轴承故障诊断模型对测试样本集C进行测试，将分类结果与测试样本工况标签对比，根据两者相同组数确定故障诊断准确率，结果如表1所示，4种类型振动数据均能实现有效分类，平均识别率达到100％。

表1

Claims (1)

1.一种基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法，其特征是按如下步骤进行：

步骤1、利用加速度振动传感器分别采集不同故障类型的滚动轴承的振动信号，记为X＝{X₁,X₂,...,X_i,...,X_A}，A表示A类故障类型，1≤i≤A，X_i表示第i类故障信号样本集合，且m表示第i类故障信号样本数，表示第i类故障信号集合中第j个样本，每个样本为N×1维向量，1≤j≤m；故障信号样本的总数为M；根据A类故障类型对所述故障信号样本集合X添加工况标签，记为Y＝{Y₁,Y₂,...,Y_i,...,Y_A}，Y_i为常量，表示第i类故障信号样本集合X_i对应的工况标签；

步骤2、随机选取第i类故障信号集合中第j个样本，采用粒子群算法对所最大相关峭度反卷积参数进行寻优，得到处理所述第i类故障信号集合X_i的最大相关峭度反卷积的参数：

步骤2.1、初始化粒子种群，种群粒子个数为q，粒子维数为D，以滤波器长度H和周期T编码每个粒子，其中第a个粒子记为[H_a,T_a]，1≤a≤q，当前迭代次数为L，初始化L＝1，最大迭代次数为L_max；

步骤2.2、根据所述第i类故障信号集合中第j个样本判断L＝1是否成立，若成立，则随机初始化第L代第a个粒子的位置和速度否则，利用式(1)更新第L代第a个粒子的位置和速度

式(1)中，ω表示权重因子，c₁,c₂表示加速度因子，η表示随机数，0≤η≤1；

步骤2.3、根据第L代第a个粒子的位置对所述第i类故障信号集合中第j个样本进行最大相关峭度反卷积，得到滤波信号

步骤2.4、利用式(2)计算第L代第a个粒子的适应度函数值

式(2)中，表示第L代第a个粒子的包络能量熵；

步骤2.5、对q个粒子分别按照式(2)计算得到第L代q个粒子的适应度函数值集合

步骤2.6、判断L＝1是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，执行步骤2.7；

步骤2.7、判断是否成立，若成立，则将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值否则，将选为第L代第a个粒子的个体局部极值并从第L代q个粒子的个体局部极值中选取最小适应度函数值作为第L代全局极值

步骤2.8、将L+1赋值给L，判断L＞L_max是否成立，若成立，则输出第L_max代全局极值所对应的粒子作为处理所述第i类故障信号集合X_i的最大相关峭度反卷积的参数，并对所述第i类故障信号集合X_i进行最大相关峭度反卷积处理，从而得到第i类滤波信号集合表示第i类第j个滤波信号，否则，执行步骤2.2；

步骤3、重复步骤2，从而得到A类滤波信号组

步骤4、随机选取第i类滤波信号集合中第j个滤波信号并进行改进变分模态分解，得到第i类模态总数K_i：

步骤4.1、定义当前迭代次数为n、最大迭代次数为N_max，第i类模态总数为K_i、第i类模态中任意一个模态记为k_i；

步骤4.2、初始化K_i＝1；

步骤4.3、初始化n＝1，随机初始化第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.4、将n+1赋值给n，判断n＞N_max是否成立，若成立，则执行步骤4.6，否则，利用更新公式得到第n代第k_i个模态对应的傅里叶变换参数第n代第k_i个模态中心频率参第n代拉格朗日乘子

步骤4.5、判断是否成立，若成立，则执行步骤4.6，否则，返回步骤4.4执行；其中，e表示变分模态分解参数阈值，||·||表示模长；

步骤4.6、判断式(3)是否成立，若成立，则将K_i+1赋值给K_i后，返回步骤4.3；否则，终止计算，并输出第i类模态总数K_i；

式(3)中，表示以第j个滤波信号作为原始信号f(t)对应的傅里叶变换，υ表示能量阈值；

步骤5、根据所述第i类模态总数K_i，对所述第i类故障信号样本集合X_i进行改进变分模态分解，得到第i个模态矩阵

步骤6、重复步骤4和步骤5，从而得到A类故障所对应的模态总数集合K＝{K₁,K₂,...,K_i,...,K_A}以及M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}；

步骤7、利用奇异值分解方法对第i个模态矩阵U_i进行奇异值分解，得到第i个奇异值向量s_i；

步骤8、对M个模态矩阵U＝{U₁,U₂,…,U_i,…,U_M}重复步骤7，从而得到M个奇异值向量构建的故障特征矩阵S＝(s₁,s₂,...,s_i,...,s_M)；

步骤9、对所述故障特征矩阵S按行归一化处理到[-1,1]之间，并将归一化后的故障特征矩阵S′与其对应的工况标签Y，构建故障特征集

步骤10、将极限学习机输入节点设为模态总数集合K中的最大值，输出节点设为A，隐含层节点以分类准确率最高为标准进行选取，采用极限学习机对所述故障特征集进行训练，得到轴承故障检测模型，从而利用所述轴承故障检测模型实现对机械滚动轴承故障的检测。