基于集成学习概率神经网络的电机轴承故障诊断

摘要

电机作为一种重要的驱动设备,在工业生产中得到了广泛的应用。滚动轴承是电机最重要的部件之一,一旦发生故障,将严重影响生产过程。因此,对电机轴承故障进行诊断,对保证安全、正常生产具有重要意义。本文采用概率神经网络(PNN)实现了电机轴承的故障分类,针对作为概率神经网络最重要参数之一的平滑因子σ需要通过经验或不断尝试的方式人为设定的问题,提出了一种基于正弦余弦优化算法(SCA)的自适应概率神经网络(SPNN);针对同一个训练集和测试集,PNN会得到固定的识别结果,从而在一定程度上降低PNN泛化能力的问题,建立了利用SPNN作为弱分类器的基于AdaBoost的集成学习模型(ASPNN),采用输出概率线性组合的方式得到强分类器的输出结果;将ASPNN模型应用于电机轴承故障诊断,仿真结果表明,与PNN、SPNN和MSVM相比,本文方法在电机轴承故障诊断方面具有更好的性能。