KTA-KELM在滚动轴承故障诊断中的应用

论文摘要

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机（Kernel ExtremeLearning Machine,KELM）算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解（Ensemble Local Mean Decomposition,ELMD）进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列（Kernel Target Alignment,KTA）算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92. 5%和90%提高到98. 75%,分别提高6. 25%和8. 75%。

论文目录

• 0 引言
• 1 核排列极限学习机
•   1.1 核排列
•   1.2 核极限学习机
• 2 KTA-KELM智能诊断模型的构建
• 3 实验分析
•   3.1 凯斯西储大学数据
•     3.1.1 特征向量集构建
•     3.1.2 基于KTA-KELM的状态辨识模型构建
•   3.2 实验室仿真试验
•     3.2.1 测试系统搭建及信号采集
•     3.2.2 特征向量集构建
•     3.2.3 KTA-KELM的滚动轴承状态辨识模型构建
• 4 结论

文章来源

类型: 期刊论文

作者: 王卓,赵文军,马涛,李志俊,秦波

关键词: 滚动轴承,核参数优化,状态辨识,分类精度

来源: 机械传动 2019年06期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 内蒙古第一机械集团公司工艺研究所,特种车辆及其传动系统智能制造国家重点实验室,内蒙古科技大学机械工程学院

分类号: TH133.33

DOI: 10.16578/j.issn.1004.2539.2019.06.030

页码: 165-171

总页数: 7

文件大小: 1182K

下载量: 129