基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断 | |
王进花1,2,5; 胡佳伟5; 曹洁4,5; 黄涛3 | |
刊名 | 吉林大学学报(工学版) |
2022-02-10 | |
卷号 | 52期号:02页码:318-328 |
关键词 | 故障诊断 灰狼优化算法 变分模态分解 集成极限学习机 滚动轴承 |
ISSN号 | 1671-5497 |
DOI | 10.13229/j.cnki.jdxbgxb20200856 |
英文摘要 | 针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法。针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α。进一步,为了克服单个ELM模型分类精度不高和分类结果不稳定的问题,提出集成极限学习机(IELM)实现多故障的分类和识别,提高故障分类的准确性和稳定性。首先,采用GWO优化VMD,自适应地获取最佳分解参数;其次,选择并提取模态信号的时频特征向量;最后,将特征向量输入到IELM中进行训练和分类。实验表明:本文方法可以自适应地分解信号并产生最佳分解效果,实现滚动轴承故障的准确早期预警和识别。 |
URL标识 | 查看原文 |
语种 | 中文 |
出版者 | Editorial Board of Jilin University |
内容类型 | 期刊论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/155806] |
专题 | 电气工程与信息工程学院 兰州理工大学 |
作者单位 | 1.兰州理工大学电气与控制工程国家实验教学中心; 2.兰州理工大学甘肃工业过程先进控制重点实验室; 3.中国市政工程西北设计研究院有限公司 4.甘肃省制造信息工程研究中心; 5.兰州理工大学电气工程与信息工程学院; |
推荐引用方式 GB/T 7714 | 王进花,胡佳伟,曹洁,等. 基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断[J]. 吉林大学学报(工学版),2022,52(02):318-328. |
APA | 王进花,胡佳伟,曹洁,&黄涛.(2022).基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断.吉林大学学报(工学版),52(02),318-328. |
MLA | 王进花,et al."基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断".吉林大学学报(工学版) 52.02(2022):318-328. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论