摘 要: | 提取滚动轴承有效的故障特征参数是轴承故障诊断重要的组成部分,为改善核极限学习机(Kernel Extreme Learning Machine,KELM)高维数据特征选取的问题,提出一种结合稀疏自动编码器(Sparse Auto-Encoder,SAE)与KELM的方法。首先,提取振动信号的时域、频域和时频域特征构成高维特征向量;其次,采用多层SAE融合高维特征来消除特征的冗余性;最后,采用融合后的特征训练KELM,得到故障诊断模型。针对KELM对参数敏感的缺陷,采用萤火虫算法(IF)进行参数优化。为评估方法有效性,采用实验数据进行测试,并与传统KELM方法进行比较,结果显示该方法具有更好准确性和稳定性。
|