%0 Journal Article
%A 胡爱军
%A 张军华
%A 刘随贤
%A 许莎
%T 滚动轴承多工况故障的特征自动选择核极限学习机智能识别方法
%D 2020
%R 
%J 振动与冲击
%P 182-189
%V 39
%N 23
%X 滚动轴承的智能诊断存在许多不足，特别是对复杂工况下的识别存在特征提取不足及诊断精度低等问题。针对故障类型不同、故障程度不同和负荷不同的多工况条件下滚动轴承故障诊断，提出了基于多特征自动选择的核极限学习机智能识别方法。首先分别从时域、频域、时频域提取有效故障特征，其次，采用拉普拉斯分数(Laplace Score，简称LS)根据每个特征的重要性自动选择敏感特征，旨在消除一些冗余信息，提高计算效率。最后，采用模拟退火粒子群优化的核极限学习机（Simulated Annealing Particle swarm optimization,Kernel extreme learning machine，简称SAPSO-KELM），实现滚动轴承多故障状态识别。将该方法应用于滚动轴承变负荷故障识别，与其他识别方法的比较结果表明，该方法具有较高的识别精度和较快的分类速度。
%U https://jvs.sjtu.edu.cn/CN/abstract/article_10033.shtml