来源：期刊VIP网 时间：
作者：李德仓;吕思潭;
单位：兰州交通大学机电技术研究所;甘肃省物流及运输装备信息化工程技术研究中心;甘肃省物流与运输装备行业技术中心;
摘要：针对强背景噪声导致周期识别不稳定、无法有效提取故障特征，以及核极限学习机（KELM）参数选择困难的问题，提出一种基于旋转周期构造Hankel矩阵-mRMR特征选取与粒子群算法优化核极限学习机（PSOKELM）的轴承故障诊断方法。该方法利用旋转周期构造信号Hankel矩阵，完成奇异值分解（SVD）降噪处理；针对降噪后的故障特征集合采用最大相关最小冗余算法（mRMR）完成特征优选，确定最优特征向量；将优选后的特征子集输入到惩罚因子和核函数参数优化后的PSO-KELM模型中进行故障诊断。实验分析表明：所提方法通过构造旋转周期降噪信号与mRMR相结合，实现了特征子集的优选；优化后的PSO-KELM模型能有效抑制噪声对故障分类的影响，两者的叠加作用有效提高了强噪声背景下滚动轴承的故障诊断精度。
关键词：旋转周期;;Hankel矩阵;;最大相关最小冗余;;特征选取;;核极限学习机;;滚动轴承
基金资助：国家自然科学基金资助项目（72061021）
