-
题名基于IMLZC和SOA-ELM的轴承损伤识别方法
被引量：1
- 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]
-
