基于改进果蝇算法优化WKELM的医疗滚动轴承故障诊断技术研究

论文摘要

针对传统小波核极限学习机（Extreme Learning Machine,ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好地对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法;该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm,LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数;采用的方法是变分模态分解（Variational Mode Decomposition,VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征;通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。

论文目录

• 0 引言
• 1 变分模态分解的方法与核极限学习机原理的运用
•   1.1 通过运用变分模态分解的办法提取滚动轴承相关特征
•   1.2 小波核极限学习机
• 2 FOA算法的优化改进
•   2.1 FOA算法分析
•     2.1.1 FOA算法原理
•     2.1.2 FOA算法存在的不足
•   2.2 LGMS-FOA算法的参数优化
•     2.2.1 LGMS-FOA算法步骤
•     2.2.2 LGMS-FOA算法优势
• 3 基于LGMS-FOA算法的参数优化
•   3.1 WKELM参数选择
•   3.2 LGMS-FOA算法对WKELM的优化步骤
• 4 实验结果分析
•   4.1 医疗滚动轴承故障特征提取
•   4.2 FOA与LGMS-FOA的平均值与标准偏差
•   4.3 基于FOA-ELM、FOA-WKELM、LGMS-FOA-WKELM的滚动轴承故障诊断结果与对比
• 5 结论

文章来源

类型: 期刊论文

作者: 何成,刘长春,吴涛,武洋,徐颖,陈童

关键词: 医疗滚动轴承,故障诊断,分解,算法

来源: 计算机测量与控制 2019年05期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 仪器仪表工业,自动化技术

单位: 上海第二工业大学智能制造与控制工程学院,上海第二工业大学环境与材料工程学院,上海市第一人民医院

基金: 上海第二工业大学研究生项目基金(EGD18YJ0003)

分类号: TH77;TP18

DOI: 10.16526/j.cnki.11-4762/tp.2019.05.017

页码: 71-76

总页数: 6

文件大小: 2016K

下载量: 166