基于改进SBELM的耦合故障诊断方法

摘要：

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition,EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine,SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1％,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5％;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70％.

关键词：集成经验模态分解、特征提取、稀疏贝叶斯极限学习机、故障诊断、模糊熵

所属期刊栏目：51

分类号：TP39(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目70701013;广西省科学研究与技术开发计划资助项目2013F020202

在线出版日期：2016-10-09（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：792-799