首页|ELM-Adaboost分类器在轴承故障诊断中的运用

ELM-Adaboost分类器在轴承故障诊断中的运用

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
研究强分类器ELM-Adaboost模型在滚动轴承故障诊断中的运用.首先,从滚动轴承故障振动信号中提取时域特征参数,并采用因子分析法对变量进行降维处理;其次,对ELM-Adaboost模型中的关键参数进行详细分析,并选择最优的参数对ELM-Adaboost模型进行优化;最后,将ELM-Adaboost模型用于滚动轴承故障诊断中.实验研究结果表明:神经元数量和激活函数都能明显的影响到故障诊断准确率;激活函数采用Hardlim()函数的诊断效果比其它函数要好;ELM-Adaboost模型对神经元数量引起的诊断准确率波动性较小;在重复30次实验中,ELM-Adaboost模型对不同类型的轴承故障诊断准确率均在84％以上,而ELM模型则在78％以上,且ELM-Adaboost模型对重复诊断导致的结果波动性相比较低.
Fault Diagnosis of Rolling Bearing Based on ELM-Adaboost Model

胡超、沈宝国、杨妍、谢中敏

展开 >

江苏航空职业技术学院航空工程学院,江苏镇江212134

滚动轴承 故障诊断 ELM-Adaboost 因子分析

江苏省自然科学基金镇江市科技计划2017年度院级课题

BK20180863GY2018029JATC17010102

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.372(2)
  • 1
  • 14