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。
简介:《计算机测量与控制》(CN:11-4762/TP)是一本有较高学术价值的大型月刊,自创刊以来,选题新奇而不失报道广度,服务大众而不失理论高度。颇受业界和广大读者的关注和好评。
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社