方俊豪,陈正坤,陈保家,陈学力
GAPSO-KELM在滚动轴承故障诊断中的应用
方俊豪,陈正坤,陈保家*,陈学力
(三峡大学 机械与动力学院,湖北 宜昌 443002)
为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法。首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集。其次,利用CNN卷积运算提取特征,通过池化运算提炼简化特征。最后,将提取后的特征用来训练KELM,并采用遗传粒子群(GAPSO)算法对KELM的惩罚系数与核参数进行优化设置,得到故障诊断模型。为评估方法有效性,采用同工况和变工况条件下进行实验测试,并与CNN-SVM、经典AlexNet 、VGG方法进行比较,结果显示该方法具有更好的准确性和稳定性。
卷积神经网络;滚动轴承;核极限学习机;故障诊断
滚动轴承是旋转机械中的重要部件,其健康状态对整个设备的安全平稳运行具有重大的影响[1]。滚动轴承故障诊断问题一直是学者研究的热点,主要集中在故障特征的有效提取与故障模式的准确识别这两方面。
传统的故障特征提取方法是利用时域、频域或时频域信号处理方法提取反映轴承故障信息的时频域特征。陈保家等[2]针对齿轮故障振动信号多分量频带重叠引发的故障模式混淆问题,提出一种基于最大重叠离散小波包变……