基于KPCA和优化ELM的齿轮箱故障诊断

• 作者: 李梦瑶 周强 于忠清
• 来源期刊: 组合机床与自动化加工技术
• 关键词: 齿轮箱 故障诊断 核主成分分析 蚁群算法 极限学习机
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 设计与研究
• 页码范围: 87-90,95
• 页数: 5页
• 分类号: TH162|TG65
• 语种: 中文
• DOI: 10.13462/j.cnki.mmtamt.2021.04.021

摘要

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KP-CA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法.首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算法(Ant Colony Algorithm,ACA)对极限学习机(Ex-treme Learning Machine,ELM)的网络初始权值与偏置进行优化,得到最优权值与偏置组合;最后,利用ACA-ELM进行齿轮箱故障诊断实验,同时与ELM、BP、ACA-BP、GA-ELM模型对比.实验结果表明,该方法进行故障诊断的准确率可以达到98.3％,能够有效地进行齿轮箱故障诊断.