發(fā)布時間：2025-02-08 10:24

　　 基于實驗平臺,采集滾動軸承正常、內環(huán)故障、外環(huán)故障和滾珠故障四種工況的振動信號,利用時域分析法提取故障特征量。分析隱含層神經(jīng)元數(shù)量、隱含層激活函數(shù)和樣本比例對極限學習機網(wǎng)絡診斷效果的影響,同時從網(wǎng)絡對樣本比例的適應性、算法的穩(wěn)定性、仿真耗時和抗噪能力四方面比較BP、SVM和RBF網(wǎng)絡。結果表明:針對軸承故障診斷,極限學習機在神經(jīng)元數(shù)量較少時采用Sigmoid()函數(shù)、神經(jīng)元數(shù)量較多時采用Hardlim()函數(shù),其診斷效果較佳;極限學習機相比BP、SVM和RBF網(wǎng)絡,能夠更好的適應樣本比例的變化,且算法的穩(wěn)定性和準確性均為最優(yōu);極限學習機仿真計算時間相對較短、抗噪能力較強。

【文章頁數(shù)】：4 頁


本文編號：4031378