基于多隐层小波卷积极限学习神经网络的滚动轴承故障识别 论文

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。