《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

作者:赵凡超,戴石良,房华伟,等. 日期:2021-11-23/span> 浏览:825 查看PDF文档

基于改进集成多隐层小波极限学习神经网络的
滚动轴承故障识别研究*
赵凡超1,戴石良2,3,房华伟1,张丽敏1,刘伟3

(1.广西中烟工业有限责任公司,广西 柳州 535006;2.南华大学 土木工程学院,
湖南 衡阳 421001;3.湖南核三力技术工程有限公司,湖南 衡阳 421001)


摘要:由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。

关键词:滚动轴承;集成学习;故障识别;极限学习机;小波变换;改进集成多隐层小波极限学习神经网络

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2021)09-1152-08



赵凡超,戴石良,房华伟,等.基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究[J].机电工程,2021,38(9):1152-1159.



友情链接

浙江机械信息网