基于實(shí)驗(yàn)平臺(tái),采集滾動(dòng)軸承正常、內(nèi)環(huán)故障、外環(huán)故障和滾珠故障四種工況的振動(dòng)信號(hào),利用時(shí)域分析法提取故障特征量。分析隱含層神經(jīng)元數(shù)量、隱含層激活函數(shù)和樣本比例對(duì)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)診斷效果的影響,同時(shí)從網(wǎng)絡(luò)對(duì)樣本比例的適應(yīng)性、算法的穩(wěn)定性、仿真耗時(shí)和抗噪能力四方面比較BP、SVM和RBF網(wǎng)絡(luò)。結(jié)果表明:針對(duì)軸承故障診斷,極限學(xué)習(xí)機(jī)在神經(jīng)元數(shù)量較少時(shí)采用Sigmoid()函數(shù)、神經(jīng)元數(shù)量較多時(shí)采用Hardlim()函數(shù),其診斷效果較佳;極限學(xué)習(xí)機(jī)相比BP、SVM和RBF網(wǎng)絡(luò),能夠更好的適應(yīng)樣本比例的變化,且算法的穩(wěn)定性和準(zhǔn)確性均為最優(yōu);極限學(xué)習(xí)機(jī)仿真計(jì)算時(shí)間相對(duì)較短、抗噪能力較強(qiáng)。

【文章頁數(shù)】：4 頁


本文編號(hào)：4031378