基于深度极限学习机的轴承故障诊断方法研究
cnki(2022)
摘要
为了提高轴承故障诊断的精度,文中提出一种基于海森正则深度极限学习机的轴承故障诊断方法。首先,以深度极限学习机作为样本的深度特征提取模型,将训练集、测试集和无标签样本集共同输入到深度极限学习机中进行训练,并在训练过程中引入海森正则化,使网络输出的深度特征能够较好地保持输入样本之间的局部流形关系;然后,以核极限学习机作为特征分类器,以训练集的特征训练核极限学习机后,将测试集特征输入到核极限学习机中并输出预测结果。采用西储大学轴承数据集的多故障状态数据对所提方法进行验证,最终诊断准确率可达98.78%。将所提方法与传统深度极限学习机、堆栈式自动编码器、深度卷积神经网络进行对比,得出所提方法具有较高的识别精度和较快的训练速度,可有效地提高轴承的故障诊断精度。
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要