CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题,提出了基于卷积深度置信网络（convolutional deep belief network,简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine,简称IKELM）的滚动轴承故障智能识别方法。首先,由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取;其次,利用等距特征映射对提取的多维特征进行降维,去除冗余特征信息;然后,采用改进的核极限学习机对特征进行分类,使用粒子群（particle swarm optimization, 简称PSO）对模型重要参数进行优化,实现滚动轴承变工况下的故障识别;最后,将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明,该方法能够智能有效地识别变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。