-
题名基于MGWO-SCN的滚动轴承故障诊断方法
被引量：4
- 1
-
-
作者
冯铃
张楚
刘伟渭
-
机构
四川化工职业技术学院智能制造学院
西南大学人工智能学院
西南交通大学机械工程学院
-
出处
《机电工程》
CAS
北大核心
2022年第10期1382-1389,共8页
-
基金
国家自然科学青年科学基金资助项目(51705432)
中国博士后基金面上资助项目(2020M682506)
四川省科技计划项目(19YYJC0513)。
-
文摘
为了提高滚动轴承故障诊断模型的鲁棒性和泛化能力,提出了一种基于改进灰狼算法优化随机配置网络(MGWO-SCN)的滚动轴承故障诊断模型。首先,在随机配置网络(SCN)中引入L2范数惩罚项,提高了SCN在实际应用中的泛化能力;然后,在灰狼算法(GWO)中融入差分进化机制,构建了改进灰狼算法(MGWO),并用其对SCN的惩罚项系数C进行了优化;最后,通过分析美国凯斯西储大学(CWRU)轴承振动信号数据集的频域特征信息,构造了基于频域特征参量的振动数据集;并分别用BP神经网络(BPNN)、极限学习机(ELM)和支持向量机(SVM)诊断模型,以及MGWO和粒子群优化算法(PSO)对所提模型进行了对比仿真测试。研究结果表明:在30次重复实验中,采用基于改进灰狼算法优化随机配置网络(MGWO-SCN)的方法,可以准确地识别出12种轴承运行状态,相比于BPNN、ELM和SVM轴承诊断方法,该方法的诊断平均准确率分别提高了7.27%、6.47%和8.67%;另外,MGWO-SCN在优化故障诊断模型方面具有更强的全局搜索能力,相比于GWO-SCN和PSO-SCN,该模型预测结果的偏差值更小,测试集准确率更高。
-
关键词
旋转机械
滚动轴承故障诊断模型
改进灰狼算法优化随机配置网络
鲁棒性
泛化能力
-
Keywords
rotating machinery
rolling bearing fault diagnosis model
modified gray wolf algorithm-stochastic configuration networks(mgwo-scn)
robustness
generalization ability
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
