針對傳統(tǒng)智能故障診斷方法在滾動軸承的故障診斷中診斷準確率不高的問題,引入了一種啟發(fā)式搜索算法——蝙蝠算法(BA)優(yōu)化極限學習機(ELM)的方法,利用ELM構建滾動軸承故障診斷分類模型;首先采用滾動軸承振動信號的5種代表性時域無量綱指標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ELM模型的參數(shù)進行優(yōu)化,獲取最優(yōu)輸入權重和隱含層偏置的ELM分類模型,最后采用美國西儲大學軸承數(shù)據(jù)中心網站公開發(fā)布的軸承探傷數(shù)據(jù)集驗證算法診斷效果;實驗結果表明:該方法可以有效地對滾動軸承不同故障狀態(tài)進行識別,與BP神經網絡、支持向量機(SVM)和極限學習機(ELM)方法比較,所提出的方法能夠提高故障診斷準確率,達到99.17%。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 相關算法介紹
    1.1 蝙蝠算法
    1.2 極限學習機算法
2 基于BA-ELM的滾動軸承故障診斷
    2.1 無量綱指標
    2.2 ELM的參數(shù)優(yōu)化
    2.3 基于BA-ELM的滾動軸承故障診斷
3 實驗結果與分析
    3.1 數(shù)據(jù)采集
    3.2 數(shù)據(jù)處理
    3.3 分類結果與分析
4 結束語



本文編號：3742485