電機作為一種重要的驅(qū)動設(shè)備,在工業(yè)生產(chǎn)中得到了廣泛的應(yīng)用。滾動軸承是電機最重要的部件之一,一旦發(fā)生故障,將嚴(yán)重影響生產(chǎn)過程。因此,對電機軸承故障進行診斷,對保證安全、正常生產(chǎn)具有重要意義。本文采用概率神經(jīng)網(wǎng)絡(luò)（PNN）實現(xiàn)了電機軸承的故障分類,針對作為概率神經(jīng)網(wǎng)絡(luò)最重要參數(shù)之一的平滑因子σ需要通過經(jīng)驗或不斷嘗試的方式人為設(shè)定的問題,提出了一種基于正弦余弦優(yōu)化算法（SCA）的自適應(yīng)概率神經(jīng)網(wǎng)絡(luò)（SPNN）;針對同一個訓(xùn)練集和測試集,PNN會得到固定的識別結(jié)果,從而在一定程度上降低PNN泛化能力的問題,建立了利用SPNN作為弱分類器的基于AdaBoost的集成學(xué)習(xí)模型（ASPNN）,采用輸出概率線性組合的方式得到強分類器的輸出結(jié)果;將ASPNN模型應(yīng)用于電機軸承故障診斷,仿真結(jié)果表明,與PNN、SPNN和MSVM相比,本文方法在電機軸承故障診斷方面具有更好的性能。 

【文章來源】：華東理工大學(xué)學(xué)報(自然科學(xué)版). 2020,46(01)北大核心CSCD

【文章頁數(shù)】：9 頁

【參考文獻】：
期刊論文
[1]改進煙花算法和概率神經(jīng)網(wǎng)絡(luò)智能診斷齒輪箱故障[J]. 陳如清,李嘉春,尚濤,張俊.  農(nóng)業(yè)工程學(xué)報. 2018(17)
[2]基于改進EMD和雙譜分析的電機軸承故障診斷實現(xiàn)[J]. 陳宗祥,陳明星,焦民勝,葛蘆生.  電機與控制學(xué)報. 2018(05)
[3]SVM與PSO相結(jié)合的電機軸承故障診斷[J]. 李嫄源,袁梅,王瑤,程安宇.  重慶大學(xué)學(xué)報. 2018(01)
[4]基于AdaBoost回歸樹的多目標(biāo)預(yù)測算法[J]. 張晶.  計算機與現(xiàn)代化. 2017(09)
[5]基于LMD和MED的滾動軸承故障特征提取方法[J]. 周士帥,竇東陽,薛斌.  農(nóng)業(yè)工程學(xué)報. 2016(23)
[6]基于LMD多尺度熵和概率神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J]. 孟宗,胡猛,谷偉明,趙東方.  中國機械工程. 2016(04)

碩士論文
[1]基于Adaboost集成學(xué)習(xí)算法的LF鋼水終點預(yù)報模型[D]. 陳志剛.東北大學(xué) 2010



本文編號：3639424