-
题名CDBN-IKELM的轴承变工况故障诊断方法
被引量：3
- 1
-
-
作者
向玲
苏浩
胡爱军
杨鑫
徐进
王伟
-
机构
华北电力大学河北省电力机械装备健康维护与失效预防重点实验室
青岛绿色发展研究院有限公司
鲁能集团有限公司
国电南瑞南京控制系统有限公司
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2022年第3期432-438,612,共8页
-
基金
国家自然科学基金资助项目(52075170,52175092)。
-
文摘
针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络(convolutional deep belief network,简称CDBN)与改进核极限学习机(improved Kernel-based extreme learning machine,简称IKELM)的滚动轴承故障智能识别方法。首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群(particle swarm optimization,简称PSO)对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。
-
关键词
故障诊断
轴承
卷积深度置信网络
核极限学习机
变工况
-
Keywords
fault diagnosis
bearing
convolutional deep belief network
kernel extreme learning machine
varying conditions
-
分类号
TH165.3
[机械工程—机械制造及自动化]
TH133.3
[机械工程—机械制造及自动化]
-
