基于压缩感知与改进的深度极限学习机的轴承故障诊断方法
陈万圣1
王珍1
赵洪健1
王奉涛2
1.大连大学机械工程学院,大连1166222.汕头大学工学院机电系,汕头515063
摘要：大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.
关键词：压缩感知深度极限学习机轴承故障诊断
分类号：TH133.33(机械零件及传动装置)TP277(自动化技术及设备)
资助基金：国家自然科学基金(51875075)
论文发表日期：2021-08-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 779-785 )
英文信息