基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断

doi:10.13229/j.cnki.jdxbgxb20200856

	基于自适应变分模态分解和集成极限学习机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
	2022-02-10
发表期刊	吉林大学学报(工学版)
ISSN	1671-5497
卷号	52 期号:02 页码:318-328
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,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实现自适应地获取最佳分解参数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,自适应地获取最佳分解参数;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:本文方法可以自适应地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变分模态分解集成极限学习机滚动轴承
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
资助项目	国家自然科学基金项目（61763028,62063020）;甘肃省自然科学基金项目（20JR5RA463）
出版者	Editorial Board of Jilin University
EI入藏号	20220611611394
EI主题词	Knowledge acquisition
EI分类号	461.1 Biomedical Engineering ; 601.2 Machine Components ; 716.1 Information Theory and Signal Processing ; 723.4 Artificial Intelligence ; 723.5 Computer Applications ; 802.3 Chemical Operations ; 903.1 Information Sources and Analysis
中图分类号	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/155806
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. 基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断[J]. 吉林大学学报(工学版),2022,52(02):318-328.
APA	王进花,胡佳伟,曹洁,&黄涛.(2022).基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断.吉林大学学报(工学版),52(02),318-328.
MLA	王进花,et al."基于自适应变分模态分解和集成极限学习机的滚动轴承多故障诊断".吉林大学学报(工学版) 52.02(2022):318-328.

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
基于自适应变分模态分解和集成极限学习机的（4685KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载