基于思维进化优化极限学习机的滚动轴承故障的智能诊断

摘要：

为了解决传统极限学习机随机产生的输入权值和阈值对故障诊断的准确率有较大影响的问题,提出了一种利用思维进化算法(mind evolutionary algorithm,MEA)来优化极限学习机(extreme learning machine,ELM)的智能诊断方法.MEA-ELM方法首先将ELM的权值w和阈值b编码成MEA算法个体,产生初始种群,然后通过趋同和异化操作完成种群间的竞争产生优胜种群,整个迭代过程中不断优化极限学习机的初始权值和阈值,最后获得最优个体,对最优个体解码获得隐含层的最优输入权值w和阈值b.将建立的MEA-ELM故障诊断模型应用于滚动轴承的故障诊断中,并分别与传统极限学习机故障诊断模型以及BP神经网络模型的实验结果进行对比,结果表明,经过MEA优化后的ELM不但保持了分类速度快的特点,而且有效提高了诊断的准确率,证明所提出的方法具有良好的可行性和有效性.

关键词：思维进化算法、极限学习机、滚动轴承、故障诊断

分类号：TP206+.3(自动化技术及设备)

资助基金：国家自然科学基金资助项目51275052;北京市自然科学基金重点项目资助3131002;京津冀自然科学基金基础研究合作项目J170004;北京学者计划资助2015-025;校基金项目资助1825026

在线出版日期：2019-12-13（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：103-109