CDBN-IKELM的轴承变工况故障诊断方法

二维码有效期 120s

摘要针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络(convolutional deep belief network,简称CDBN)与改进核极限学习机(improved Kernel-based extreme learning machine,简称IKELM)的滚动轴承故障智能识别方法.首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群(particle swarm optimization,简称PSO)对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断.实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法.

作者向玲 ^[1] 苏浩 ^[1] 胡爱军 ^[1] 杨鑫 ^[2] 徐进 ^[3] 王伟 ^[4] 学术成果认领

作者单位华北电力大学河北省电力机械装备健康维护与失效预防重点实验室保定,071003 ^[1] 华北电力大学河北省电力机械装备健康维护与失效预防重点实验室保定,071003;青岛绿色发展研究院有限公司青岛,266109 ^[2] 鲁能集团有限公司北京,100020 ^[3] 国电南瑞南京控制系统有限公司南京,210061 ^[4]

关键词故障诊断轴承卷积深度置信网络核极限学习机变工况

分类号 TH165+.3 TH133.3 TP206+.3

栏目名称

论文

DOI 10.16450/j.cnki.issn.1004-6801.2022.03.003

发布时间 2022-06-24

基金项目

国家自然科学基金（52075170）；国家自然科学基金（52175092）