首页|多域特征提取和极限学习机的滚动轴承智能诊断

多域特征提取和极限学习机的滚动轴承智能诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对现实复杂工况下的振动以及噪声问题,提出了基于多域特征提取、Fisher得分和极限学习机(Extreme Learn-ing Machine,ELM)的滚动轴承诊断方法.首先,通过多域特征提取方法构造多域特征集,其次利用Fisher得分算法按照多域特征集特征值的重要性进行排序,选择具有代表性的敏感故障特征,最后,将重新构造的多域特征集输入极限学习机中实现智能诊断.利用美国西储大学轴承试验数据进行分析,为贴近现实工况,在原始振动信号上加50dB的白噪声,结果表明,提出的方法能够有效识别滚动轴承的故障大小和类别,并具有良好的抗噪性.
Intelligent Diagnosis of Rolling Bearing Based on Multi-Domain Feature Extraction and Extreme Learning Machine

巴鑫宇、张义民、张凯

展开 >

沈阳化工大学装备可靠性研究所,辽宁 沈阳 110142

多域特征提取 Fisher得分算法 极限学习机 故障诊断

U1708254

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)：2022.379(9)
  • 6