收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进极限学习机的轴承故障诊断方法研究

李妍  
【摘要】:滚动轴承是机械设备中的重要组成元件,其高频率地运转在复杂工况环境下,运行状况的好坏直接影响着机械设备整体运行的安全性与稳定性。所以对滚动轴承的故障诊断是机械故障诊断领域中的研究重点,具有重要的研究意义和实用价值。滚动轴承振动信号具有非线性、非平稳特性,本文首先对比分析短时傅里叶变换、小波变换在处理轴承振动信号过程中的局限性后,采用小波包变换对轴承振动信号进行去噪和特征提取。其次,针对故障特征信息不能直接准确识别出故障类型的问题,本文以极限学习机算法为基础结合粒子群算法的全局搜索优势,构建基于粒子群优化极限学习机的PSO-ELM故障诊断模型,该模型将极限学习机中的初始输入权值和隐层阈值作为粒子群中的空间位置,进行全局范围内的参数寻优,该优化方法能够有效解决极限学习机中随机产生输入权值、阈值而影响其泛化能力的问题。PSO-ELM模型在轴承故障诊断方面具有一定的可行性,但其网络性能仍存在一定的改进空间。因此,针对PSO-ELM模型中粒子群优化极限学习机参数时易陷入局部最优且早熟收敛的问题,本文改进遗传算法中的选择、交叉、变异的遗传算子,构建改进遗传粒子群IGA-PSO混合优化算法,通过在粒子群算法中引入改进的遗传算子,增强种群多样性,均衡粒子群算法的局部与全局搜索能力,并提出以IGA-PSO算法混合优化极限学习机的IGA-PSO-ELM故障诊断模型,通过IGA-PSO混合算法对极限学习机输入权值、阈值的参数优化,进一步完善极限学习机的诊断性能。本文通过MATLAB实验,证明小波包变换能够有效地提取出轴承振动信号的能量特征。并通过多模型的实例对比分析,证明IGA-PSO-ELM故障诊断模型的收敛速度较快、收敛精度和分类性能较高,具有较好的轴承故障诊断效果。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 李云朋;熊柳景;牛刚;;嵌入式轴承故障诊断系统的设计与实现[J];国外电子测量技术;2019年11期
2 邵岩;卢迪;杨广学;;分数阶傅里叶变换在轴承故障诊断中的应用[J];哈尔滨理工大学学报;2017年03期
3 乔世民;轴承故障诊断技术的发展[J];中国设备管理;1989年01期
4 鲍明;赵淳生;纪国宜;陈志强;;MDS-1轴承故障诊断系统[J];振动、测试与诊断;1989年04期
5 于岩;许继秀;张梦超;石浩;;小波分析和小波包分析在轴承故障诊断中的对比分析[J];煤矿机械;2019年12期
6 甄敬然;赵伟军;;基于经验模态分解和形态滤波的矿用轴承故障诊断[J];煤炭技术;2017年07期
7 沙美妤;刘利国;;基于振动信号的轴承故障诊断技术综述[J];轴承;2015年09期
8 山红伟;;煤矿机械齿轮和轴承故障诊断研究[J];科技致富向导;2015年17期
9 袁洪芳;姜宇萱;王华庆;;基于词袋模型和极限学习机的轴承故障诊断[J];测控技术;2017年02期
10 刘琦;;基于小波分析的轴承故障诊断研究[J];煤;2013年07期
11 苏明辉;薛光辉;赵国瑞;张明;;渣浆泵轴承故障诊断系统设计与应用[J];煤炭工程;2009年02期
12 江伟;;机车轴承故障诊断中的多智能传感器技术应用分析[J];铁路计算机应用;2008年03期
13 江伟;危韧勇;余璘;;多智能传感器技术在机车轴承故障诊断中的应用分析[J];工业控制计算机;2006年10期
14 王名月;缪炳荣;袁成标;;基于小波包分解与局部均值分解排列熵的自适应轴承故障诊断[J];装备机械;2017年02期
15 蒲小平,陈克兴,徐金梧,马祥华;基于神经网络的轴承故障诊断方法[J];北京科技大学学报;1993年06期
16 张荣涛;焦斌;李彬彬;;一种新的轴承故障诊断方法[J];上海电机学院学报;2019年05期
17 陶岩;朱华;王万迅;贺勇;李刚;谢鸣;;国产状态监测系统在轴承故障诊断上的应用[J];设备管理与维修;2016年S2期
中国重要会议论文全文数据库 前10条
1 刘锋;马怀祥;王亚涛;;基于共振解调的滚动轴承故障诊断[A];现代振动与噪声技术(第九卷)[C];2011年
2 徐新韬;王华庆;沈伟;李岭阳;杨晓;;基于信息融合与1.5维谱的轴承故障诊断方法[A];2015年中国机械工程学会设备与维修工程分会学术年会论文集[C];2015年
3 郜普刚;何田;林意洲;刘献栋;;基于局部均值分解的滚动轴承故障诊断[A];2010中国汽车工程学会年会论文集[C];2010年
4 李琳;张永祥;童艳;;基于声发射和高阶谱分析的滚动轴承故障诊断[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年
5 高耀智;谭援强;;基于1(1/2)谱与小波分析相结合的滚动轴承故障诊断[A];2009年全国青年摩擦学学术会议论文集[C];2009年
6 任获荣;马亚男;李胜刚;;熵随机共振在轴承故障诊断中的应用研究[A];2012年陕西省焊接学术交流会论文集[C];2012年
7 沈路;周晓军;张杰;;基于形态非抽样小波与灰色关联度的滚动轴承故障诊断[A];2011年机械电子学学术会议论文集[C];2011年
8 曹亮;王景霖;沈勇;单添敏;林泽力;陈杰;;基于HMM的轴承故障诊断方法[A];“测试性与智能测控技术”——2018年中国航空测控技术专刊[C];2018年
9 陶岩;朱华;王万迅;贺勇;李刚;谢鸣;;国产状态监测系统在轴承故障诊断上的应用[A];2016年全国设备监测诊断与维护学术会议暨第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议论文集[C];2016年
10 陶新民;徐晶;杜宝祥;徐勇;;基于相空间奇异谱的SOM轴承故障诊断模型[A];第二十七届中国控制会议论文集[C];2008年
中国博士学位论文全文数据库 前5条
1 梁瑜;地铁列车轴承故障诊断及在途诊断系统研究[D];北京交通大学;2014年
2 褚东亮;旋转机械故障信号分析及诊断技术研究[D];华北电力大学(北京);2017年
3 胡永涛;基于多特征融合及深度信念网络的轴承故障诊断[D];燕山大学;2017年
4 王雷;基于流形学习的滚动轴承故障诊断若干方法研究[D];大连理工大学;2013年
5 周俊;机械故障信号欠定源估计与盲提取方法研究[D];昆明理工大学;2015年
中国硕士学位论文全文数据库 前10条
1 王蕾蕾;基于深度自编码网络的轴承故障诊断研究[D];华北电力大学;2019年
2 彭丹丹;基于HHT和CNN的高速列车轮对轴承故障诊断方法[D];电子科技大学;2019年
3 李妍;基于改进极限学习机的轴承故障诊断方法研究[D];西安科技大学;2019年
4 冯安安;基于优化概率神经网络货车轴承故障诊断研究[D];北京交通大学;2019年
5 彭刘阳;基于振动信号的滚动轴承故障诊断与状态识别方法研究[D];中国矿业大学;2019年
6 董德亿;基于输出信号相关性分析的轴承故障诊断方法[D];杭州电子科技大学;2018年
7 郑庆标;基于小波分析的轴承故障诊断系统的研制及应用[D];北京交通大学;2018年
8 谢乾坤;城轨列车轴承故障诊断试验系统设计与实现[D];长安大学;2018年
9 刘恩仁;风电机组传动链轴承故障诊断[D];华北电力大学(北京);2018年
10 徐剑涛;基于极点对称模态分解及改进支持向量机的轴承故障诊断[D];燕山大学;2018年
中国重要报纸全文数据库 前1条
1 通讯员 蔡义杰 记者 唐先武;轴承故障诊断有了“透视镜”[N];科技日报;2001年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978