排列熵与核极限学习机在滚动轴承故障诊断中的应用

• 作者: 孙国栋 王建国 王祖达 秦波 陈帅
• 来源期刊: 组合机床与自动化加工技术
• 学科: 工学
• 关键词: 滚动轴承 排列熵 极限学习机 核函数
• 年，卷（期）: 2017,（2）
• 所属期刊栏目: 控制与检测
• 页码范围: 73-76
• 页数: 4页
• 分类号: TH166|TG659
• 字数: 3387字
• 语种: 中文
• DOI: 10.13462/j.cnki.mmtamt.2017.02.018

摘要

针对极限学习机(Extreme Learning Machine,ELM)隐含层节点数需要人为设定,致使滚动轴承故障分类模型精度低、稳定性差,提出基于排列熵(Permutation Entropy,PE)与核极限学习机(Kernel Extreme Learning Machine,K-ELM)的滚动轴承故障诊断方法.首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态函数,并提取各分量的排列熵PE值组成高维特征向量集;其次,在利用高斯核函数的内积来表达ELM输出函数,从而自适应确定隐含层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识.实验结果表明:K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王建国	内蒙古科技大学机械工程学院	112	350	8.0	11.0
2	秦波	内蒙古科技大学机械工程学院	46	199	7.0	12.0
3	陈帅	内蒙古科技大学机械工程学院	8	22	3.0	4.0
4	孙国栋	内蒙古科技大学机械工程学院	6	15	3.0	3.0
5	王祖达	内蒙古科技大学机械工程学院	2	8	2.0	2.0