针对滚动轴承故障特征集维数高及冗余问题,提出一种基于自适应自组织增量学习神经网络界标点的等度规映射（Adaptive self-organizing incremental neural network landmark Isomap,ASL-Isomap）流形学习的滚动轴承故障诊断方法。首先,从时域、频域、时频域以及复杂域提取振动信号的故障特征,构建高维混合域故障特征集;其次,采用ASL-Isomap方法对高维混合域故障特征集进行维数约简,提取出低维、敏感特征子集;最后,应用核极限学习机（Kernel extreme learning machine,KELM）分类器对低维特征进行故障识别。ASL-Isomap方法集成自适应邻域构建和SOINN界标点选取的优势,能够更有效挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证该故障诊断方法的有效性和优越性。
类型: 期刊论文
作者: 王振亚,戚晓利,吴保林
关键词: 故障诊断,滚动轴承,流形学习,核极限学习机
来源: 噪声与振动控制 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 安徽工业大学机械工程学院
基金: 国家自然科学基金资助项目(51505002),安徽省自然科学基金资助项目(1808085ME152),安徽省高校自然科学研究重点资助项目(KJ2017A053),研究生创新研究基金资助项目(2017012)
分类号: TP181;TH133.33
页码: 167-174
总页数: 8
文件大小: 2290K
下载量: 140
本文来源: https://www.lunwen66.cn/article/a274d351aa2bb5e0d41421a1.html