排序方式: 共有12条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
5.
针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明:该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。 相似文献
6.
7.
时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集,验证算法诊断效果。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和Grip search SVM 3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。 相似文献
8.
为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。 相似文献
9.
10.