欧美在线日韩-涩涩一区-青草视频在线播放-男人的天堂一区二区-午夜精品久久-激情综合色综合啪啪五月丁香

由于滾動軸承工況復雜多變、環境噪聲干擾大,基于混合域的特征提取維數高且計算復雜、混合域特征常存在冗余導致引入不利于診斷的干擾成分。在滾動軸承故障診斷領域,傳統極限學習機(ExtremeLearningMachine,ELM)分類模型會隨機生成輸入層權值與隱含層節點偏置等網絡參數,造成部分隱含層節點失效。同時,ELM分類預測精度與隱含層節點數密切相關,但過多隱含層節點數會導致模型泛化能力的下降,從而最終影響軸承故障分類診斷的能力。故本文提出基于多聚類特征選擇(Multi-clusterFeatureSelection,MCFS)對特征空間進行優選,并利用差分進化灰狼優化(DifferentialEvolutionGreyWolfOptimizer)算法優化ELM故障診斷模型。該方法將有望應用于復合故障診斷等領域,為智能故障診斷技術提供參考。