GAPSO-KELM在滚动轴承故障诊断中的应用

• 作者: 方俊豪 陈正坤 陈保家 陈学力
• 来源期刊: 机械
• 关键词: 卷积神经网络 滚动轴承 核极限学习机 故障诊断
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 设计与研究
• 页码范围: 9-16
• 页数: 8页
• 分类号: TH133.33
• 语种: 中文
• DOI: 10.3969/j.issn.1006-0316.2021.03.002

摘要

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通过池化运算提炼简化特征.最后,将提取后的特征用来训练KELM,并采用遗传粒子群(GAPSO)算法对KELM的惩罚系数C与核参数σ进行优化设置,得到故障诊断模型.为评估方法有效性,采用同工况和变工况条件下进行实验测试,并与CNN-SVM、经典AlexNet、VGG方法进行比较,结果显示该方法具有更好的准确性和稳定性.