針對(duì)傳統(tǒng)智能故障診斷方法在滾動(dòng)軸承的故障診斷中診斷準(zhǔn)確率不高的問(wèn)題,引入了一種啟發(fā)式搜索算法——蝙蝠算法(BA)優(yōu)化極限學(xué)習(xí)機(jī)(ELM)的方法,利用ELM構(gòu)建滾動(dòng)軸承故障診斷分類模型;首先采用滾動(dòng)軸承振動(dòng)信號(hào)的5種代表性時(shí)域無(wú)量綱指標(biāo)作為診斷模型輸入特征,然后,利用蝙蝠算法的全局尋優(yōu)能力對(duì)ELM模型的參數(shù)進(jìn)行優(yōu)化,獲取最優(yōu)輸入權(quán)重和隱含層偏置的ELM分類模型,最后采用美國(guó)西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心網(wǎng)站公開(kāi)發(fā)布的軸承探傷數(shù)據(jù)集驗(yàn)證算法診斷效果;實(shí)驗(yàn)結(jié)果表明:該方法可以有效地對(duì)滾動(dòng)軸承不同故障狀態(tài)進(jìn)行識(shí)別,與BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)和極限學(xué)習(xí)機(jī)(ELM)方法比較,所提出的方法能夠提高故障診斷準(zhǔn)確率,達(dá)到99.17%。

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
0 引言
1 相關(guān)算法介紹
    1.1 蝙蝠算法
    1.2 極限學(xué)習(xí)機(jī)算法
2 基于BA-ELM的滾動(dòng)軸承故障診斷
    2.1 無(wú)量綱指標(biāo)
    2.2 ELM的參數(shù)優(yōu)化
    2.3 基于BA-ELM的滾動(dòng)軸承故障診斷
3 實(shí)驗(yàn)結(jié)果與分析
    3.1 數(shù)據(jù)采集
    3.2 數(shù)據(jù)處理
    3.3 分類結(jié)果與分析
4 結(jié)束語(yǔ)



本文編號(hào)：3742485