典型文献
CDBN-IKELM的轴承变工况故障诊断方法
文献摘要：
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.
文献关键词：
故障诊断;轴承;卷积深度置信网络;核极限学习机;变工况
中图分类号：
作者姓名：
向玲;苏浩;胡爱军;杨鑫;徐进;王伟
作者机构：
华北电力大学河北省电力机械装备健康维护与失效预防重点实验室 保定,071003;青岛绿色发展研究院有限公司 青岛,266109;鲁能集团有限公司 北京,100020;国电南瑞南京控制系统有限公司 南京,210061
文献出处：
引用格式：
[1]向玲;苏浩;胡爱军;杨鑫;徐进;王伟-.CDBN-IKELM的轴承变工况故障诊断方法)[J].振动、测试与诊断,2022(03):432-438
A类：
CDBN,IKELM,卷积深度置信网络
B类：
承变,变工况故障诊断,故障诊断方法,提取特征,convolutional,deep,belief,network,核极限学习机,improved,Kernel,extreme,learning,machine,滚动轴承,轴承故障,智能识别方法,故障特征,自适应提取,等距,特征映射,多维特征,冗余特征,特征信息,particle,swarm,optimization,PSO,重要参数,故障识别,不同工况,诊断结果,智能故障诊断
AB值：
0.295023
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。
