基于非线性加权双核极限学习机的轴承故障信号诊断研究

发布时间：2024-03-16 02:11

　　截止到2016年,我国规划的“四纵四横”的高速铁路网已经初具规模,运营列车密度高居世界第一。人们对高速铁路安全运行的需求也因此逐步提高,轴承是机车运转过程中非常重要的部件,对机车轴承及时进行故障监测、损耗趋势预测有着极为重要的经济和现实意义。然而,滚动轴承的振动信号多由不同的振动信息叠加而成,在实际诊断过程中经常出现信号被噪声淹没、难以获取有用信息导致漏检或维修延期等情况。而定期定检的排故方式会导致探伤成本较高,因此找到一种可靠的自适应检测方式是目前相关研究的主要目标。神经网络分类方法由于其特有的大规模并行结构、分布式存储等特点,与轴承诊断的契合度较高,而且经过逐年改进,神经网络的性能不断提升。极限学习机(Kernel-Extreme Learning Machine,K-ELM)就是近年来提出的一种较为优秀的分类手段,具有强大的自适应性与模式识别能力,非常适合处理此类非线性分类问题。通过多尺度排列熵(Multi-scale Permutation Entropy,MPE)、时频分析等特征提取方式以及主成分分析(principal Component Analysis,PCA)、距离分...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
缩写列表
第1章 绪论
    1.1 研究背景与意义
    1.2 研究现状
    1.3 论文主要工作
第2章 滚动轴承振动信号特征提取及压缩方案
    2.1 滚动轴承特性
    2.2 滚动轴承信号特征提取
        2.2.1 时域特征提取
        2.2.2 时频分析特征提取
        2.2.3 熵的引进以及多尺度排列熵原理
    2.3 特征压缩与降维方法
        2.3.1 基于距离评估技术的特征压缩方法
        2.3.2 基于主成分分析算法的特征降维技术
    2.4 本章小结
第3章 ELM算法及其优化
    3.1 人工神经网络
        3.1.1 神经元灵感来源
        3.1.2 神经网络的优缺点
    3.2 ELM算法原理及其优缺点
        3.2.1 ELM算法流程以及参数选定
        3.2.2 ELM算法的优缺点
    3.3 ELM的优化算法
        3.3.1 I-ELM算法
        3.3.2 P-ELM算法
        3.3.3 其他ELM算法优化方案
    3.4 本章小结
第4章 核函数的引入及其组合方案
    4.1 K-ELM算法
        4.1.1 K-ELM算法原理
        4.1.2 K-ELM算法的优缺点
    4.2 核函数的选取
        4.2.1 核函数的可行性论证
        4.2.2 平移不变核函数
        4.2.3 旋转不变核函数
        4.2.4 常用核函数可行性证明
    4.3 核函数的组合及可行性证明
        4.3.1 线性不加权组合
        4.3.2 线性加权组合
        4.3.3 非线性组合
    4.4 基于非线性加权的双核极限学习机
        4.4.1 双核极限学习机算法原理
        4.4.2 DK-ELM可行性证明
        4.4.3 DK-ELM算法可视化
    4.5 本章小结
第5章 DK-ELM性能测试及轴承缺陷诊断
    5.1 滚动轴承故障诊断实验
        5.1.1 DK-ELM与其他分类模型分类效果对比
        5.1.2 基于特征压缩的轴承诊断实验
    5.2 机车轴承缺陷诊断
    5.3 本章小结
致谢
总结与展望
    总结
    展望
参考文献
硕士学位攻读期间文章发表情况



本文编号：3928957