查看更多>>摘要:针对滚动轴承故障数据大容量、多样性的特点,提出一种基于飞蛾扑火优化算法(MFOA)优化核极限学习机(KELM)的故障分类识别方法。首先使用主成分分析对原始数据进行降维处理,删除冗余信息,构建训练集和测试集。然后采用飞蛾扑火优化算法对KELM的惩罚系数C与核函数σ进行寻优选择,将具有最优参数的KELM作为故障诊断模型。最后通过美国Case Western Reserve University滚动轴承数据集进行仿真实验,并与一些传统的故障识别方法进行比较,验证了所提方法在准确率和时间效率方面的优越性。