基于改进压缩感知与深度多核极限学习机的轴承故障诊断方法
付强
胡东
杨童亮
罗国庆
谭为民
西南大学 工程技术学院,重庆 400100
摘要：针对传统轴承故障诊断采样数据量大、诊断时间长和故障特征选择主观性强等问题,基于压缩感知(Compressed Sensing,CS)和深度多核极限学习机(Deep Multi-Kernel Extreme Learning Machine,DMKELM)理论,提出了CS-DMKELM滚动轴承智能诊断模型.首先,对变换域信号阈值处理得到稀疏信号,使用高斯随机矩阵作为测量矩阵,对处理后的数据进行压缩;其次,使用压缩后的数据作为DMKELM的输入信号,利用粒子群优化(Particle Swarm Optimization,PSO)算法对关键参数进行优化,实现故障的智能诊断.结果表明,所提方法可使用较少的轴承诊断数据,利用DMKELM从少量测量信号中自动提取轴承的特征信息,实现了轴承的快速故障诊断.在诊断时间0.55 s的情况下,最终识别准确率可达99.29%.所提方法不仅诊断时间更短,而且诊断精度较高,为处理海量轴承数据的故障诊断提供了新方法.
关键词：压缩感知轴承核函数极限学习机故障诊断
分类号：TH133(机械零件及传动装置)
论文发表日期：2025-06-15
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：9( 48-56 )
英文信息