龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：长春理工大学
摘要：本发明属于轴承故障诊断技术领域，尤其为一种DBO‑VMD‑KELM的滚动轴承故障诊断方法。本发明通过使用变分模态分解方法来对滚动轴承故障信息进行信号分解，并针对变分模态分解中的关键参数[k,α]难以确定的问题，采用最小包络熵作为适应度函数。通过使用蜣螂优化算法对进行全局寻优。并将寻优后的参数组合带回到变分模态分解中进行最优分解。计算包络熵最小的内蕴模态函数IMF分量作为最优分量，计算其九个时域指标来构建特征向量。最后使用构建好的特征向量送入到核极限学习机诊断模型中，并将DBO与核极限学习机相结合进行优化，对核参数δ和正则化系数C进行全局寻优，从而实现最终的故障诊断。
主权项：1.一种DBO-VMD-KELM的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤1：导入滚动轴承的振动信号数据；步骤2：使用变分模态分解VMD对导入的振动数据进行信号分解，分解结果为内蕴模态函数IMF分量；步骤3：模态数K和惩罚因子α是变分模态分解中的两个重要的参数，该参数的选定对VMD的分解效果有直接的影响，选择蜣螂优化算法对这个关键参数组合[K,α],进行全局寻优，适应度函数采用最小包络熵函数；步骤4：将寻优好的关键参数组合带回到VMD中，实现振动信号数据的最优信号分解；步骤5：将最优分解后包络熵最小的内蕴模态函数IMF分量作为最优IMF分量，计算其时域上九个特征值，作为提取出来的特征向量；步骤6：使用DBO算法对核极限学习机的核参数δ和正则化系数C进行优化；步骤7：将特征向量送入到优化后的核极限学习机中故障诊断模型中师兄最终的故障诊断，并输出诊断结果。
全文数据：
权利要求：
百度查询： 长春理工大学 一种DBO-VMD-KELM的滚动轴承故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号