典型文献
基于MGWO-SCN的滚动轴承故障诊断方法
文献摘要：
为了提高滚动轴承故障诊断模型的鲁棒性和泛化能力,提出了一种基于改进灰狼算法优化随机配置网络(MGWO-SCN)的滚动轴承故障诊断模型.首先,在随机配置网络(SCN)中引入L2范数惩罚项,提高了 SCN在实际应用中的泛化能力;然后,在灰狼算法(GWO)中融入差分进化机制,构建了改进灰狼算法(MGWO),并用其对SCN的惩罚项系数C进行了优化;最后,通过分析美国凯斯西储大学(CWRU)轴承振动信号数据集的频域特征信息,构造了基于频域特征参量的振动数据集;并分别用BP神经网络(BPNN)、极限学习机(ELM)和支持向量机(SVM)诊断模型,以及MGWO和粒子群优化算法(PSO)对所提模型进行了对比仿真测试.研究结果表明:在30次重复实验中,采用基于改进灰狼算法优化随机配置网络(MGWO-SCN)的方法,可以准确地识别出12种轴承运行状态,相比于BPNN、ELM和SVM轴承诊断方法,该方法的诊断平均准确率分别提高了 7.27％、6.47％和8.67％;另外,MGWO-SCN在优化故障诊断模型方面具有更强的全局搜索能力,相比于GWO-SCN和PSO-SCN,该模型预测结果的偏差值更小,测试集准确率更高.
文献关键词：
旋转机械;滚动轴承故障诊断模型;改进灰狼算法优化随机配置网络;鲁棒性;泛化能力
中图分类号：
作者姓名：
冯铃;张楚;刘伟渭
作者机构：
四川化工职业技术学院智能制造学院,四川泸州646000;西南大学人工智能学院,重庆400715;西南交通大学 机械工程学院,四川成都610031
文献出处：
引用格式：
[1]冯铃;张楚;刘伟渭-.基于MGWO-SCN的滚动轴承故障诊断方法)[J].机电工程,2022(10):1382-1389
A类：
改进灰狼算法优化随机配置网络
B类：
MGWO,SCN,故障诊断方法,滚动轴承故障诊断模型,泛化能力,L2,范数,差分进化,进化机制,凯斯,CWRU,轴承振动,振动信号,号数,频域特征,特征信息,特征参量,BPNN,极限学习机,ELM,粒子群优化算法,PSO,仿真测试,承运,平均准确率,全局搜索,搜索能力,偏差值,测试集,旋转机械
AB值：
0.186584
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
