文献类型：期刊文章

作　　者：黄重谦[1]

HUANG Chongqian(School of Mechanical and Electrical Engineering, Guangxi Science and Technology Normal University, Laibin 546199, China)

机构地区：[1]广西科技师范学院机械与电气工程学院,广西来宾546199

出　　处：《工矿自动化》

基　　金：广西职业教育教学改革研究重点项目(GXGZJG2017A065);来宾市科学研究与技术开发计划项目(20LKZ202409)。

年　　份：2021

卷　　号：47

期　　号：5

起止页码：77-82

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、EBSCO、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：煤矿旋转机械工作环境恶劣,实际采集到的滚动轴承振动信号呈现出明显的非线性和非平稳性,导致轴承故障特征提取较困难。传统的基于“人工特征提取+模式识别”的滚动轴承故障识别方法受主观影响大。针对上述问题,提出了一种基于多隐层小波卷积极限学习神经网络(MHLWCELNN)的滚动轴承故障识别方法。该方法综合了一维卷积神经网络、自动编码器、极限学习机和小波函数的优势:利用一维卷积神经网络的局部连接和权值共享机制,大大减少了需要学习的参数;通过自动编码器使算法适用于轴承振动信号无标签样本;通过极限学习机确定输出权重,避免陷入局部最优,提高训练速度;采用小波函数作为激活函数,提高对轴承时域和频域信号的分辨率,从而提高故障识别率。实验结果表明:与同类方法相比,MHLWCELNN具有更高的识别准确率和更小的标准差,能较为稳定地识别出滚动轴承的不同故障类型;MHLWCELNN的F1值高于同类方法,验证了其对不平衡数据集的有效性;高斯小波在时域、频域均有较高的分辨率,适合作为激活函数;训练集样本占比设置为80%较合适。

关 键 词：煤矿旋转机械  滚动轴承故障识别  极限学习机 卷积神经网络 自动编码器  

分 类 号：TD67]