针对传统极限学习机预测滚动轴承故障时,存在信号模式混叠、人为参数选取造成预测精度低下的问题,提出了正态分布-经验小波变换变换结合偏最小二乘法的极限学习机(partial least squares-extreme learning machines,简称PLS-ELM)的故障...针对传统极限学习机预测滚动轴承故障时,存在信号模式混叠、人为参数选取造成预测精度低下的问题,提出了正态分布-经验小波变换变换结合偏最小二乘法的极限学习机(partial least squares-extreme learning machines,简称PLS-ELM)的故障预测方法。首先,提出正态分布经验小波变换信号降噪方法,通过正态分布划分频率带界限,在各频率带上构建带通滤波器进行降噪;其次,提出PLS-ELM的故障预测方法,应用偏最小二乘法(partial least squares,简称PLS)中主成分数和加载权重分别改进极限学习机(extreme learning machines,简称ELM)隐含层节点数和网络权值,激活函数选取Softmax以提高数据的拟合精度;最后,应用无量纲指标峭度来反映故障程度,实现故障趋势预测。试验结果表明,该方法能够准确划分频谱和克服模式混叠等问题,并实现滚动轴承性能衰退趋势预测。展开更多
文摘针对传统极限学习机预测滚动轴承故障时,存在信号模式混叠、人为参数选取造成预测精度低下的问题,提出了正态分布-经验小波变换变换结合偏最小二乘法的极限学习机(partial least squares-extreme learning machines,简称PLS-ELM)的故障预测方法。首先,提出正态分布经验小波变换信号降噪方法,通过正态分布划分频率带界限,在各频率带上构建带通滤波器进行降噪;其次,提出PLS-ELM的故障预测方法,应用偏最小二乘法(partial least squares,简称PLS)中主成分数和加载权重分别改进极限学习机(extreme learning machines,简称ELM)隐含层节点数和网络权值,激活函数选取Softmax以提高数据的拟合精度;最后,应用无量纲指标峭度来反映故障程度,实现故障趋势预测。试验结果表明,该方法能够准确划分频谱和克服模式混叠等问题,并实现滚动轴承性能衰退趋势预测。
