基于多域特征的BA-KELM微型电机故障检测

摘要：

针对目前对于微型电机故障检测的研究较少及基于单域特征的传统电机诊断方法精度低等问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)及蝙蝠算法(bat algorithm,BA)优化核极限学习机(kernel based extreme learning machine,KELM)的微型电机故障检测方法.所提方法包括样本集构造、模型训练及参数优化和模型测试3个步骤:首先,对采集到的微型电机信号进行EEMD处理并依据相关系数原则筛选出主要的本征模态分量(intrinsic mode fuction,IMF),结合计算得到的电机信号的时域、频域特征构造多域特征集并进行归一化处理,按一定比例将样本集划分训练集和测试集;其次,输入训练集,以错误率为适应度,并采用蝙蝠算法对KELM模型进行参数优化;最后,输入测试集对优化的BA-KELM模型进行测试,并与其他模型进行对比.试验结果表明,所提方法的准确率达98.75％,高于其余方法.

关键词：微型电机、故障诊断、蝙蝠算法(BA)、极限学习机(ELM)、核极限学习机(KELM)

所属期刊栏目：42

分类号：TH17

资助基金：国家自然科学基金;广西科技大学博士基金项目

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：251-257