典型文献
基于核极限学习机自编码器的转盘轴承寿命状态识别
文献摘要：
针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELM-AE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.
文献关键词：
低速重载转盘轴承;多层核极限学习机自编码器(MLKELM-AE);飞蛾扑火算法(MFO);寿命状态识别;多领域特征
中图分类号：
作者姓名：
潘裕斌;王华;陈捷;洪荣晶
作者机构：
南京工业大学 机械与动力工程学院,江苏 南京 211816;江苏省工业装备数字制造及控制技术重点实验室,江苏 南京 211816
文献出处：
引用格式：
[1]潘裕斌;王华;陈捷;洪荣晶-.基于核极限学习机自编码器的转盘轴承寿命状态识别)[J].浙江大学学报（工学版）,2022(09):1856-1866
A类：
寿命状态识别,低速重载转盘轴承,MLKELM,MLELM,多领域特征
B类：
核极限学习机,极限学习机自编码器,轴承寿命,承运,运行工况,故障特征,微弱,飞蛾扑火算法,算法优化,MFO,AE,振动信号,时频域,特征向量,高维特征,征集,堆叠,状态信息,学习训练,罚系数,核参数,特征识别,识别能力,加速寿命实验,多层极限学习机,识别精度,多传感器
AB值：
0.138932
相似文献
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。
