基于改进深层极限学习机的故障诊断方法

作者：李可; 熊檬; 宿磊; 卢立新; 陈森

来源：振动.测试与诊断, 2020, 40(06): 1120-1232.

DOI：10.16450/j.cnki.issn.1004-6801.2020.06.013

• 故障诊断
• 深层极限学习机
• 稀疏表示
• 近邻表示
• 滚动轴承

提出一种新的基于稀疏和近邻保持理论深层极限学习机(sparsity and neighborhood preserving deep extreme learning machines,简称SNP-DELM))的滚动轴承故障诊断方法。首先,将极限学习机(extreme learning machine,简称ELM)与自编码器(autoencoder,简称AE)相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器(stacked autoencoder,简称SAE)、深层极限学习机(deep extreme learning machine,简称DELM)、卷积神经网络(convolution neural network,简称CNN)等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。

• 单位
  江南大学