摘要
提出基于分层极限学习机结合迁移学习的轴承故障诊断方法,分析其在变工况下的故障诊断效果。应用短时傅里叶变换方法生成振动信号时频图,并提取不变矩特征、灰度差分统计特征,区分不同故障时频图的形态和纹理特征。在变工况下使用动态分布自适应方法,循环迭代得到最优迁移学习参数,以减小源域和目标域的MMD距离。然后使用分层极限学习机,对迁移后的样本数据进行故障分类。结果表明,所设计的迁移学习方法具有精度高、速度快的优点,在变工况下动态分布自适应迁移学习方法的故障诊断结果优于SVM等非迁移学习的机器学习方法,分层极限学习机作为故障分类器优于KNN、BP等分类器的效果,同时基于时频图的特征提取方法改善了源域和目标域间的可迁移性。
出处
《设备管理与维修》
2023年第19期89-91,共3页
Plant Maintenance Engineering
