论文摘要
时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,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。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和Grip search SVM 3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。
论文目录
文章来源
类型: 期刊论文
作者: 覃爱淞,胡勤,张清华,吕运容,孙国玺
关键词: 极限学习机,量纲一指标,滚动轴承,故障诊断
来源: 机床与液压 2019年19期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 机械工业
单位: 广东石油化工学院广东省石化装备故障诊断重点实验室,广东省石油化工装备工程技术研究中心
基金: 国家自然科学基金资助项目(61473094,61673127),广东省自然科学基金资助项目(2016A030313823),茂名市科技计划项目(2017317)
分类号: TH133.33
页码: 171-175
总页数: 5
文件大小: 1266K
下载量: 107