基于稀疏自动编码器与FA-KELM的滚动轴承故障诊断

• 作者: 敦泊森 柳晨曦 王奉涛
• 来源期刊: 噪声与振动控制
• 学科: 工学
• 关键词: 振动与波 滚动轴承 稀疏自动编码器 核极限学习机 特征提取
• 年，卷（期）: 2018,（z1）
• 所属期刊栏目: 状态监测与故障诊断
• 页码范围: 678-682
• 页数: 5页
• 分类号: TQ050.2|TH133.3
• 字数: 3145字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1355.2018.Z1.147

摘要

提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine, KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder, SAE)与KELM的方法.首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用多层SAE融合高维特征来消除特征的冗余性;最后,采用融合后的特征训练KELM,得到故障诊断模型.针对KELM对参数敏感的缺陷,采用萤火虫算法(IF)进行参数优化.为评估方法有效性,采用实验数据进行测试,并与传统KELM方法进行比较,结果显示该方法具有更好准确性和稳定性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王奉涛	大连理工大学振动工程研究所	58	965	15.0	29.0
2	柳晨曦	大连理工大学振动工程研究所	4	30	3.0	4.0
3	敦泊森	大连理工大学振动工程研究所	5	22	3.0	4.0