文献类型：期刊文章

作　　者：皮骏[1] 马圣[2] 杜旭博[2] 贺嘉诚[2] 刘光才[1]

PI Jun;MA Sheng;DU Xubo;HE Jiacheng;LIU Guangcai(General Aviation College,Civil Aviation University of China,Tianjin 300300,China;College of Aeronautical Engineering,Civil Aviation University of China,Tianjin 300300,China)

机构地区：[1]中国民航大学通用航空学院,天津300300 [2]中国民航大学航空工程学院,天津300300

出　　处：《振动与冲击》

基　　金：国家自然科学基金委员会与中国民用航空局联合资助(U1633101);中央高校基本科研业务费项目中国民航大学专项资助(3122017056)

年　　份：2019

卷　　号：38

期　　号：18

起止页码：192-200

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：提出一种基于Bloch球面量子遗传算法(BQGA)优化极限学习机(ELM)网络的诊断方法(BQGA-ELM),并将BQGA-ELM运用于滚动轴承故障诊断中。基于UCI标准数据集,通过仿真实验比较Bloch量子遗传算法与其它算法优化ELM的性能,仿真实验表明BQGA的优化效果强于其它优化算法。从实验室采集滚动轴承正常、内环故障、外环故障和滚珠故障四种工况的振动信号,并利用时域分析法提取振动信号的相关特征参量。将提取的特征参量经过数据预处理,再输入到诊断模型中进行滚动轴承故障诊断。结果表明:BQGA-ELM能够准确有效的对滚动轴承故障进行诊断,且其误差收敛与故障诊断时间均优于文中其它诊断模型。

关 键 词：Bloch量子遗传算法(BQGA)  极限学习机(ELM)  故障诊断  滚动轴承

分 类 号：TH17] V231.1]