分层极限学习机在滚动轴承故障诊断中的应用

发布时间：2017-08-12 14:09

  本文关键词：分层极限学习机在滚动轴承故障诊断中的应用

  更多相关文章： 滚动轴承 故障诊断 自动编码器 极限学习机

【摘要】：针对滚动轴承信号的非线性、非平稳特性,致使轴承状态难识别的问题,提出分层极限学习机(HELM)故障诊断模型。首先采用集合经验模式分解(EEMD)将轴承信号分解为若干个本征模式分量(IMFs),并提取其能量熵值构建特征向量;其次利用自动编码器(AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。
【作者单位】： 包头职业技术学院;内蒙古科技大学机械工程学院;
【关键词】： 滚动轴承 故障诊断 自动编码器 极限学习机
【基金】：国家自然科学基金(51565046) 内蒙古自然科学基金(2015MS0512) 包头市科技计划发展项目(2015X2011)
【分类号】：TH133.33;TP18
【正文快照】： 滚动轴承是旋转机械中最关键的一类支撑零部件,其故障直接影响设备的正常运转。对其运行状态的监测及后续的故障诊断,通常采用基于振动信号的时频域分析方法,但由于变载、摩擦、刚度等因素的影响,轴承故障振动信号常常呈现出非线性、非平稳性,不能有效地检测出故障信号,因此难

【相似文献】

中国期刊全文数据库 前1条

1 秦胜君;卢志平;;基于降噪自动编码器的不平衡情感分类研究[J];科学技术与工程;2014年12期

中国硕士学位论文全文数据库 前7条

1 梁湘群;基于Gabor特征与深度自动编码器的笑脸识别方法[D];五邑大学;2015年

2 吴海燕;基于自动编码器的半监督表示学习与分类学习研究[D];重庆大学;2015年

3 林雨;极限学习机与自动编码器的融合算法研究[D];吉林大学;2016年

4 庞荣;深度神经网络算法研究及应用[D];西南交通大学;2016年

5 李娟;基于深度学习的评价对象抽取[D];东南大学;2016年

6 尹晓燕;基于深度学习的人脸识别研究[D];天津大学;2014年

7 雒玉玺;稀疏自动编码器及其加速算法的研究[D];兰州大学;2014年

，

本文编号：661975