基于深度CNN和ELM的滚动轴承故障诊断研究

被引：24

作者：

顾鑫 ^{[1
]}

唐向红 ^{[1
,2
,3
]}

陆见光 ^{[1
,2
,3
]}

黎书文 ^{[4
]}

机构：

[1] 贵州大学现代制造技术教育部重点实验室

[2] 贵州大学机械工程学院

[3] 贵州大学公共大数据国家重点实验室

[4] 贵州理工学院机械工程学院

来源：

兵器装备工程学报 | 2020年 / 41卷 / 03期

关键词：

深度卷积神经网络; 极限学习机; 滚动轴承; 故障诊断; 实时性;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TH133.33 [滚动轴承];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

提出了一种深度卷积神经网络与极限学习机相结合的滚动轴承自适应故障诊断方法。该方法的第一阶段训练深度卷积神经网络作为特征提取器:通过卷积层和池化层提取低阶特征,然后在全连接层合成高层次特征。第二阶段将第一阶段自适应提取出来的特征通过极限学习机进行轴承故障类别的准确快速分类,实现了自适应"端到端"的故障诊断。实验结果表明,该方法能有效的识别故障类别,缩短了训练时间,并具有良好的鲁棒性和实时性。

引用

页码：154 / 158

页数：5

共 12 条

[1]

基于ELM自编码器改进的高光谱图像特征学习算法研究 [D].