基于小波包分解和宽度学习的轴承故障检测

摘要：

针对真实环境中复杂变工况情况下轴承故障检测问题,提出一种基于小波包分解(Wavelet Packet Decomposition,WPD)和优化宽度学习系统(Broad Learning System,BLS)的轴承故障检测方法(简称WBLS).首先,小波包分解非平稳时变轴承信号,提取尺度系数和小波系数作为二维的时频特征;其次,将二维时频特征输入BLS网络和具有增量学习的BLS网络映射成特征节点和增量节点,借助伪逆计算BLS网络的权重;最后,将特征节点、增量节点拼接与权重同时输出,完成BLS网络训练,进行测试分类.通过在CWRU公开数据集上的实验结果表明,基于WBLS的方法分类准确率为97.67％,网络训练耗时9.62 s,说明该方法能在保持较优分类准确率的同时,快速完成训练,节省大量时间.

关键词：轴承、故障检测、小波包分解、宽度学习、增量学习

所属期刊栏目：35

分类号：TH133.3

资助基金：遵义市市校联合科技研发资金项目;贵州省教育厅青年科技人才成长项目

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：182-186