蝙蝠算法优化极限学习机的滚动轴承故障分类

发布时间：2023-02-14 10:58

　　针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型;首先采用滚动轴承振动信号的5种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果;实验结果表明:该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。

【文章页数】：5 页

【文章目录】：
0 引言
1 相关算法介绍
    1.1 蝙蝠算法
    1.2 极限学习机算法
2 基于BA-ELM的滚动轴承故障诊断
    2.1 无量纲指标
    2.2 ELM的参数优化
    2.3 基于BA-ELM的滚动轴承故障诊断
3 实验结果与分析
    3.1 数据采集
    3.2 数据处理
    3.3 分类结果与分析
4 结束语



本文编号：3742485