在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel Extreme Learning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(K ernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92.5%和90%提高到98.75%,分别提高6.25%和8.75%。
暂无评论