采用奇异能量谱与改进ELM的轴承故障诊断方法
针对滚动轴承故障特征不易提取,进而影响诊断精度的问题,研究一种将信号处理与智能算法相结合的轴承故障诊断方法.首先,利用粒子群算法对变分模态分解(VMD)法进行优化,以确定VMD法的最优输入参数,并利用优化VMD算法对振动信号进行分解得到若干本征模态函数进而建立特征矩阵.然后,对特征矩阵进行奇异值分解,根据不同故障下奇异能量谱的差异构造故障特征向量,并采用改进的极限学习机(ELM)进行故障识别.针对传统ELM输入层权值与隐含层阈值随机选取对分类效果的影响,采用自适应差分进化极限学习机对其进行优化,以保证故障诊断性能.最后,利用实验结果验证所研究故障诊断方法的可行性.
轴承故障、振动信号、特征提取、变分模态分解、粒子群算法、奇异值分解、极限学习机
25
TM343(电机)
高速铁路基础研究项目U1934204
2021-06-08(万方平台首次上网日期,不代表论文的发表时间)
共8页
80-87