ELM-Adaboost分类器在轴承故障诊断中的运用
研究强分类器ELM-Adaboost模型在滚动轴承故障诊断中的运用。首先,从滚动轴承故障振动信号中提取时域特征参数,并采用因子分析法对变量进行降维处理;其次,对ELM-Adaboost模型中的关键参数进行详细分析,并选择最优的参数对ELM-Adaboost模型进行优化;最后,将ELM-Adaboost模型用于滚动轴承故障诊断中。实验研究结果表明神经元数量和激活函数都能明显的影响到故障诊断准确率;激活函数采用Hardlim()函数的诊断效果比其它函数要好;ELM-Adaboost模型对神经元数量引起的诊断准确率波动性较小;在重复30次实验中,ELM-Adaboost模型对不同类型的轴承故障诊断准确率均在84%以上,而ELM模型则在78%以上,且ELM-Adaboost模型对重复诊断导致的结果波动性相比较低。
-
共1页/1条