科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对滚动轴承故障特征提取与故障识别困难的问题，提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量，不同工况的信号在不同频带的近似熵值会发生改变，结合相关性系数选出前3个分量，计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点，引入自适应权重法与DE算法对PSO进行改进，将特征值输入到改进PSO-ELM网络模型中，对滚动轴承不同工况进行故障识别与分类。结果表明，基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型，并且有更高的分类正确率，验证了该方法的可行性。
- 出版日期2023
- 单位沈阳化工大学
