首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业
              和信息化部
  • 主办:南京航空航天大学
              全国高校机械工程
              测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
基于PLS-ELM的滚动轴承性能衰退预测
Rolling Bearing Fault Prediction Method Based on PLS-EWT
  
DOI:10.16450/j.cnki.issn.1004-6801.2020.02.026
中文关键词:  滚动轴承  正态分布-经验小波变换  偏最小二乘法的极限学习机  性能衰退预测
英文关键词:rolling bearing  normal distribution-empirical wavelet transformation  partial least squares-extreme learning machines(PLS-ELM)  performance decline prediction
基金项目:国家自然科学基金资助项目(51575143);黑龙江省自然科学基金资助项目(E2018046)
作者单位
王亚萍1,周蓓2,白健弘2,田卫明2,葛江华1 (1. 哈尔滨理工大学先进制造智能化技术教育部重点实验室 哈尔滨150080)(2. 北京理工大学信息与电子学院 北京100081) 
摘要点击次数: 288
全文下载次数: 390
中文摘要:
      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。
英文摘要:
      When the traditional extreme learning machine is used to predict the rolling bearing fault, there is a problem that the original signal pattern is aliased, and the artificial parameter selection causes the prediction accuracy to be low, and the fault prediction method of the normal distribution-empirical wavelet transformation combined with partial least squares based on the extreme learning machine method is proposed.Firstly,the normal distribution-empirical wavelet transformation signal de-noising method is proposed. The normal distribution is used to determine the interval number to divide the frequency band boundary. A band-pass filter is constructed and de-noised on each partition interval. Secondly, the fault prediction method of PLS-ELM is proposed, the principal component number and load weight of the partial least squares method are applied to improve the number of hidden layer nodes and the network weight of the extreme learning machine respectively. The activation function selects Soft max to improve the fitting accuracy of the data.Finally, the kurtosis of dimensionless index is used to reflect the fault degree and realize the fault trend prediction.The experimental results show that the method overcomes the problem of modal overlap and realize the prediction of performance deterioration trend of rolling bearing.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2566338位访问者 本站今日一共被访问862

技术支持:北京勤云科技发展有限公司