典型文献
增强同步挤压Stockwell变换和改进集成深层极限学习机的轴承工况识别方法
文献摘要：
针对传统基于"时频谱图—深层网络"的电机轴承工况识别方法存在时频谱能量聚集性差、深层网络收敛速度慢等缺陷,提出一种增强同步挤压Stockwell变换(ESST)和改进集成深层极限学习机(IEDELM)的电机轴承工况识别方法.首先,对采集到的电机轴承振动信号进行ESST变换得到时频谱图并转化为列向量;其次,利用9种不同的激活函数构造9种深层极限学习机,并引入自组织策略和卷积策略以提高深层极限学习机的鲁棒性;最后,将ESST时频谱列向量输入不同的深层网络进行自动特征学习,并通过集成平均法输出识别结果.实验结果表明,ESST-IEDELM方法的工况识别准确率达到99.87％,标准差仅0.12,相比于其他方法,在电机轴承振动信号特征提取和工况识别准确率方面更具优势,可用于电机轴承工况识别工程中.
文献关键词：
电机轴承;工况识别;同步挤压Stockwell变换;极限学习机;集成学习;深度学习
中图分类号：
作者姓名：
杜小磊;肖龙;周庆辉;陈志刚
作者机构：
电子科技大学 机械与电气工程学院,四川 成都611731;北京理工大学 前沿技术研究院,山东 济南250300;北京建筑大学 机电与车辆工程学院,北京100044
文献出处：
引用格式：
[1]杜小磊;肖龙;周庆辉;陈志刚-.增强同步挤压Stockwell变换和改进集成深层极限学习机的轴承工况识别方法)[J].电机与控制学报,2022(11):141-150
A类：
Stockwell,ESST,IEDELM
B类：
同步挤压,改进集,极限学习机,工况识别,时频谱,频谱图,深层网络,电机轴承,频谱能量,聚集性,网络收敛速度,速度慢,轴承振动,振动信号,激活函数,自组织,组织策略,高深,特征学习,成平,平均法,识别准确率,其他方法,信号特征提取,集成学习
AB值：
0.193021
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。
