Logistic-ELM：一种面向滚动轴承故障诊断的新方法
机器学习
2022-04-27 v1 人工智能
摘要
滚动轴承的故障诊断是实现机械状态监测预测性维护的关键技术。在实际工业系统中，滚动轴承故障诊断的主要挑战在于精度与实时性要求。大多数现有方法聚焦于保证精度，而常忽视实时性要求。本文兼顾两项要求，提出一种基于极限学习机（ELM）与 logistic 映射的滚动轴承快速故障诊断新方法，命名为 logistic-ELM。首先，依据机械振动原理从原始振动信号中辨识 14 类时域特征，并采用顺序前向选择（SFS）策略从中筛选最优特征，以保障基本预测精度与效率。接着，我们提出 logistic-ELM 用于快速故障分类，其中省略 ELM 中的偏置，并将随机输入权值替换为混沌 logistic 映射序列，该序列具有更高的不相关性，从而以更少隐层神经元获得更精确结果。我们在凯斯西储大学（Case Western Reserve University, CWRU）轴承数据中心滚动轴承振动信号数据集上开展了大量实验。实验结果表明，所提方法在预测精度上优于现有 SOTA 对比方法，且在七个独立子数据环境中最高精度达 100%。相关代码已公开于 https://github.com/TAN-OpenLab/logistic-ELM。
引用
@article{arxiv.2204.11845,
title = {Logistic-ELM: A Novel Fault Diagnosis Method for Rolling Bearings},
author = {Zhenhua Tan and Jingyu Ning and Kai Peng and Zhenche Xia and Danke Wu},
journal= {arXiv preprint arXiv:2204.11845},
year = {2022}
}