留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别

黄重谦

HUANG Chongqian.Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network[J].Industry and Mine Automation,2021,47(5):77-82..  doi: 10.13272/j.issn.1671-251x.2020110036
引用本文: HUANG Chongqian.Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network[J].Industry and Mine Automation,2021,47(5):77-82..  doi: 10.13272/j.issn.1671-251x.2020110036
HUANG Chongqia. Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network[J]. Industry and Mine Automation, 2021, 47(5): 77-82. doi: 10.13272/j.issn.1671-251x.2020110036
Citation: HUANG Chongqia. Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network[J]. Industry and Mine Automation, 2021, 47(5): 77-82. doi: 10.13272/j.issn.1671-251x.2020110036

基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别

doi: 10.13272/j.issn.1671-251x.2020110036
基金项目: 

广西职业教育教学改革研究重点项目(GXGZJG2017A065)

来宾市科学研究与技术开发计划项目(20LKZ202409)

详细信息
  • 中图分类号: TD67

Fault identification of rolling bearing based on multi hidden layers wavelet convolution extreme learning neural network

  • 摘要: 煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。

     

  • 加载中
计量
  • 文章访问数:  66
  • HTML全文浏览量:  5
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 刊出日期:  2021-05-20

目录

    /

    返回文章
    返回