论文部分内容阅读
针对滚动轴承的故障信息难以从复杂噪声背景下的非平稳振动信号中提取且传统方法分类精度低等问题,提出一种基于集合经验模态分解(EEMD)能量特征提取和优化极限学习机神经网络(ADCS-ELM)分类诊断相结合的轴承故障诊断方法。利用EEMD对非线性和非平稳信号的自适应分解能力,将待检测轴承故障信号分解为包含故障特征的固有模态函数集(IMFs),并提取能量特征向量;利用自适应动态搜索步长改进布谷鸟搜索算法(ADCS)优化ELM网络连接权值和隐层阈值;将提取的故障特征向量用于训练极限学习机神经网络,得到最优权值和阈