基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别
黄重谦
广西科技师范学院机械与电气工程学院,广西来宾 546199
摘要：煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难.传统的基于"人工特征提取+模式识别"的滚动轴承故障识别方法受主观影响大.针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法.该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率.实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80％较合适.
关键词：煤矿旋转机械滚动轴承故障识别极限学习机卷积神经网络自动编码器
分类号：TD67(矿山电工)
资助基金：教育教学改革研究重点项目(GXGZJG2017A065)来宾市科学研究与技术开发计划(20LKZ202409)
论文发表日期：2021-05-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 77-82,100 )
英文信息