基于集成学习概率神经网络的电机轴承故障诊断

发布时间：2022-02-22 12:15

　　电机作为一种重要的驱动设备,在工业生产中得到了广泛的应用。滚动轴承是电机最重要的部件之一,一旦发生故障,将严重影响生产过程。因此,对电机轴承故障进行诊断,对保证安全、正常生产具有重要意义。本文采用概率神经网络（PNN）实现了电机轴承的故障分类,针对作为概率神经网络最重要参数之一的平滑因子σ需要通过经验或不断尝试的方式人为设定的问题,提出了一种基于正弦余弦优化算法（SCA）的自适应概率神经网络（SPNN）;针对同一个训练集和测试集,PNN会得到固定的识别结果,从而在一定程度上降低PNN泛化能力的问题,建立了利用SPNN作为弱分类器的基于AdaBoost的集成学习模型（ASPNN）,采用输出概率线性组合的方式得到强分类器的输出结果;将ASPNN模型应用于电机轴承故障诊断,仿真结果表明,与PNN、SPNN和MSVM相比,本文方法在电机轴承故障诊断方面具有更好的性能。 

【文章来源】：华东理工大学学报(自然科学版). 2020,46(01)北大核心CSCD

【文章页数】：9 页

【参考文献】：
期刊论文
[1]改进烟花算法和概率神经网络智能诊断齿轮箱故障[J]. 陈如清,李嘉春,尚涛,张俊.  农业工程学报. 2018(17)
[2]基于改进EMD和双谱分析的电机轴承故障诊断实现[J]. 陈宗祥,陈明星,焦民胜,葛芦生.  电机与控制学报. 2018(05)
[3]SVM与PSO相结合的电机轴承故障诊断[J]. 李嫄源,袁梅,王瑶,程安宇.  重庆大学学报. 2018(01)
[4]基于AdaBoost回归树的多目标预测算法[J]. 张晶.  计算机与现代化. 2017(09)
[5]基于LMD和MED的滚动轴承故障特征提取方法[J]. 周士帅,窦东阳,薛斌.  农业工程学报. 2016(23)
[6]基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法[J]. 孟宗,胡猛,谷伟明,赵东方.  中国机械工程. 2016(04)

硕士论文
[1]基于Adaboost集成学习算法的LF钢水终点预报模型[D]. 陈志刚.东北大学 2010



本文编号：3639424