基于SFLA-ELM模型的滚动轴承早期故障诊断方法

摘要

针对滚动轴承早期故障信号非线性增强、耦合关系复杂的特点而导致传统的模型识别率低的问题,首先对轴承振动信号进行LMD分解,然后提取前三个PF信号的符号熵作为特征向量,作为神经网络的输入量;其次,利用混合蛙跳算法优异的全局寻优特性,克服传统ELM算法易陷入局部最优的缺陷,建立了基于混合蛙跳算法和极限学习机的新模型;最后,通过与BP网络、ELM网络的试验对比,SFLA-ELM模型具有较高的故障识别率和较强的健壮性.