-
题名基于改进深层极限学习机的故障诊断方法
被引量：11
- 1
-
-
作者
李可
熊檬
宿磊
卢立新
陈森
-
机构
江南大学江苏省食品先进制造装备技术重点实验室
上海才月科技有限公司
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2020年第6期1120-1127,1232,共9页
-
基金
国家自然科学基金资助项目(51775243,51705203)
江苏省重点研发计划资助项目(BE201702)
+1 种基金
山东省泰山产业领军人才计划资助项目
江苏省研究生科研与实践创新计划资助项目(KYCX18_1847)。
-
文摘
提出一种新的基于稀疏和近邻保持理论深层极限学习机(sparsity and neighborhood preserving deep extreme learning machines,简称SNP-DELM)的滚动轴承故障诊断方法。首先,将极限学习机(extreme learning machine,简称ELM)与自编码器(autoencoder,简称AE)相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器(stacked autoencoder,简称SAE)、深层极限学习机(deep extreme learning machine,简称DELM)、卷积神经网络(convolution neural network,简称CNN)等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。
-
关键词
故障诊断
深层极限学习机
稀疏表示
近邻表示
滚动轴承
-
Keywords
fault diagnosis
deep extreme learning machines
spare representation
neighbor representation
rolling bearing
-
分类号
TH17
[机械工程—机械制造及自动化]
-
