GAPSO-KELM在滚动轴承故障诊断中的应用

摘要：

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通过池化运算提炼简化特征.最后,将提取后的特征用来训练KELM,并采用遗传粒子群(GAPSO)算法对KELM的惩罚系数C与核参数σ进行优化设置,得到故障诊断模型.为评估方法有效性,采用同工况和变工况条件下进行实验测试,并与CNN-SVM、经典AlexNet、VGG方法进行比较,结果显示该方法具有更好的准确性和稳定性.

关键词：卷积神经网络、滚动轴承、核极限学习机、故障诊断

所属期刊栏目：48

分类号：TH133.33

资助基金：国家自然科学基金;湖北省重点实验室开放基金;宜昌市应用基础研究项目

在线出版日期：2021-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：9-16