来源：期刊VIP网 时间：
作者：付强;胡东;杨童亮;罗国庆;谭为民;
单位：西南大学工程技术学院;
摘要：针对传统轴承故障诊断采样数据量大、诊断时间长和故障特征选择主观性强等问题，基于压缩感知（Compressed Sensing, CS）和深度多核极限学习机（Deep Multi-Kernel Extreme Learning Machine, DMKELM）理论，提出了CS-DMKELM滚动轴承智能诊断模型。首先，对变换域信号阈值处理得到稀疏信号，使用高斯随机矩阵作为测量矩阵，对处理后的数据进行压缩；其次，使用压缩后的数据作为DMKELM的输入信号，利用粒子群优化（Particle Swarm Optimization, PSO）算法对关键参数进行优化，实现故障的智能诊断。结果表明，所提方法可使用较少的轴承诊断数据，利用DMKELM从少量测量信号中自动提取轴承的特征信息，实现了轴承的快速故障诊断。在诊断时间0.55 s的情况下，最终识别准确率可达99.29%。所提方法不仅诊断时间更短，而且诊断精度较高，为处理海量轴承数据的故障诊断提供了新方法。
关键词：压缩感知;;轴承;;核函数;;极限学习机;;故障诊断
基金资助：重庆市留学人员回国创业创新支持计划基金项目（cx2019123）~~
