-
题名基于IMLZC和SOA-ELM的轴承损伤识别方法
- 1
-
-
作者
龙有强
姜峰
-
机构
北海职业学院机电工程学院
广西科技大学机械与汽车工程学院
-
出处
《机电工程》
北大核心
2025年第4期726-734,共9页
-
基金
国家自然科学基金资助项目(12062003)。
-
文摘
现有故障诊断方法大多是仅针对轴承故障类型进行分析,而缺少对故障程度进行相应的判断。为此,提出了一种基于改进多尺度Lempel-Ziv复杂度(IMLZC)和海鸥优化算法优化极限学习机(SOA-ELM)的滚动轴承损伤识别方法。首先,利用IMLZC复杂度测量指标对信号复杂度变化敏感的特点,将其用于提取滚动轴承振动信号的故障特征以构造特征矩阵;然后,利用海鸥优化算法对极限学习机(ELM)的关键参数进行了优化,建立了参数自适应优化的ELM分类模型;最后,将故障特征输入至SOA-ELM分类模型中进行了训练和测试,完成了滚动轴承不同故障状态的智能诊断和故障程度评估,利用滚动轴承和自吸式离心泵损伤振动信号对IMLZC-SOA-ELM模型的实用性和泛化性开展了研究,并将其与其他特征提取模型开展了对比。研究结果表明:基于IMLZC-SOA-ELM的故障诊断方法不仅能够准确识别滚动轴承的故障,而且能判断故障的严重程度,该故障诊断模型在诊断滚动轴承的故障时分别取得了100%和98.4%的识别准确率,平均识别准确率达到了99.9%,能够有效识别滚动轴承的故障类型和故障程度。与其他特征提取方法相比,IMLZC-SOA-ELM模型具有更高的识别准确率,更适合于滚动轴承的故障识别。
-
关键词
滚动轴承
自吸式离心泵
故障诊断
故障程度和损伤程度
改进多尺度Lempel-Ziv复杂度
海鸥优化算法
参数最优极限学习机
-
Keywords
rolling bearing
self-priming centrifugal pump
fault diagnosis
fault degree and damage degree
improved multiscale Lempel-Ziv complexity(IMLZC)
seagull optimization algorithm(SOA)
parameter optimal extreme learning machine(ELM)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
-
题名基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断
被引量：21
- 2
-
-
作者
郑一珍
牛蔺楷
熊晓燕
祁宏伟
马晓雄
-
机构
太原理工大学机械与运载工程学院
太原理工大学新型传感器与智能控制教育部重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期230-238,285,共10页
-
基金
国家自然科学基金(51705351)
山西省研究生创新项目(2020sy546)。
-
文摘
为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于“端到端”识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。
-
关键词
保持架故障诊断
故障损伤程度
卷积神经网络
振动信号
故障诊断
-
Keywords
cage fault diagnosis
degree of fault damage
convolution neural network
vibration signal
fault diagnosis
-
分类号
TH113.1
[机械工程—机械设计及理论]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
