来源：期刊VIP网 时间：
作者：杨锡发;王林军;邹腾枭;吴振雄;李响;陈保家;
单位：三峡大学水电机械设备设计与维护湖北省重点实验室;三峡大学机械与动力学院;三峡大学石墨增材制造技术与装备湖北省工程研究中心;
摘要：针对传统故障诊断方法难以充分提取故障信息以及神经网络依赖初始参数选择的问题，提出一种基于格拉姆角和场(Gramian angular summation field, GASF)与贝叶斯优化多核极限学习机(Bayesian optimization multi-kernel extreme learning machine, BMKELM)的故障诊断方法.首先，应用小波包节点对数能量与格拉姆角和场(GASF)将原始振动信号变换为小波包对数能量图特征；其次，使用多项式核函数与径向基核函数加权组合构建多核极限学习机(multi-kernel extreme learning machine, MKELM),同时，利用贝叶斯优化算法优化多核极限学习机的参数来提升诊断模型的故障识别能力；最后，以小波包对数能量图特征作为输入，再使用BMKELM模型完成故障特征识别与分类.通过两个数据集进行验证分析，实验结果表明，所提方法的准确率分别为99.39%和98.89%,具有较高的故障识别率和稳定性.
关键词：滚动轴承;;格拉姆角和场;;小波包对数能量图;;多核极限学习机;;贝叶斯优化算法;;故障诊断
基金资助：国家自然科学基金项目(51975324)
