面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法
卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰
GA-OIHF Elman Neural Network Algorithm for Fault Diagnosis of Full Life Cycle of Rolling Bearing
ZHUO Pengcheng, YAN Jin, ZHENG Meimei, XIA Tangbin, XI Lifeng
上海交通大学学报 . 2021, (10): 1255 -1262 .  DOI: 10.16183/j.cnki.jsjtu.2020.157
_支持向量机支持向量机

支持向量机

文章位置

目前,在滚动轴承故障诊断领域,常用的机器学习方法有支持向量机(SVM)和人工神经网络(ANN)等[4,5].面向滚动轴承的轻度退化数据具有高噪声、非线性与强复杂等特性,人工神经网络由于其自学习与高速寻优能力,成为最热门的滚动轴承故障诊断方法[6].Li等[7]通过将反向传播(BP)神经网络与AdaBoost算法集成,有效地评估了分液压缸内部泄漏的程度.但BP神经网络具有不稳定与噪声敏感等缺陷.相比之下,Elman神经网络在BP神经网络的基础上增加了隐含层与输入层之间的反馈,提高了网络处理动态数据的能力.汤宝平等[8]成功地将Elman神经网络应用于旋转机械的故障诊断,并展现了Elman神经网络较好的适应能力和良好的稳定性.考虑到Elman神经网络仅仅涉及了隐含层的反馈机制,Shi等[9]在其基础上进一步添加反馈机制,设计出OHF (Output-Hidden feedback) Elman神经网络与OIF (Output-Input Feedback) Elman神经网络,添加的输出层反馈机制实现了从有限采样点获取更多信息.