基于自适应VMD和IELM的滚动轴承多故障诊断

doi:10.13229/j.cnki.jdxbgxb20200856

	基于自适应VMD和IELM的滚动轴承多故障诊断
	王进花1,2,3 ; 胡佳伟 1; 曹洁1,4 ; 黄涛 5
	2021-08-30
发表期刊	吉林大学学报(工学版)
页码	1-10
摘要	针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题，本文从有效特征提取和故障分类准确性两方面出发，将变分模态分解（VMD）和极限学习机（ELM）方法结合，提出了一种自适应滚动轴承多故障诊断方法。针对VMD参数需人为事先设定导致信号分解效果差的情况，提出了灰狼算法(GWO)优化VMD实现自适应的获取最佳分解参数k和α。进一步，为了克服单个ELM模型分类精度不高和分类结果不稳定的问题，提出集成极限学习机(IELM)实现多故障的分类和识别，提高故障分类的准确性和稳定性。首先采用GWO优化VMD，自适应的获取最佳分解参数；其次选择并提取模态信号的时频特征向量；最后将特征向量输入到IELM中进行训练和分类。实验表明本方法可以自适应的分解信号并产生最佳分解效果，实现滚动轴承故障的准确早期预警和识别。
关键词	故障诊断灰狼优化算法(GWO) 变分模态分解(VMD) IELM 滚动轴承
DOI	10.13229/j.cnki.jdxbgxb20200856
URL	查看原文
收录类别	北大核心 ; EI ; CSCD
语种	中文
中图分类号	TP18;TH133.33
引用统计	无
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/149132
专题	电气工程与信息工程学院兰州理工大学
作者单位	1.兰州理工大学电气工程与信息工程学院; 2.兰州理工大学甘肃工业过程先进控制重点实验室; 3.兰州理工大学电气与控制工程国家实验教学中心; 4.甘肃省制造信息工程研究中心; 5.中国市政工程西北设计研究院有限公司
第一作者单位	电气工程与信息工程学院; 兰州理工大学
第一作者的第一单位	电气工程与信息工程学院
推荐引用方式 GB/T 7714	王进花,胡佳伟,曹洁,等. 基于自适应VMD和IELM的滚动轴承多故障诊断[J]. 吉林大学学报(工学版),2021:1-10.
APA	王进花,胡佳伟,曹洁,&黄涛.(2021).基于自适应VMD和IELM的滚动轴承多故障诊断.吉林大学学报(工学版),1-10.
MLA	王进花,et al."基于自适应VMD和IELM的滚动轴承多故障诊断".吉林大学学报(工学版) (2021):1-10.

条目包含的文件		下载所有文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
基于自适应VMD和IELM的滚动轴承多故（1555KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载