基于连续小波变换和半监督极限学习机的轴承故障诊断方法

当数据集包含的标示数据量不足时,基于全监督学习的故障诊断方法效果往往不理想。充分利用大数据下无标注的数据信息,利用连续小波变换生成轴承故障振动信号的时频图,提取表征图像纹理和形状的特征,建立半监督极限学习机模型,通过连续小波变换生成故障信号的时频图谱,并计算图像的灰度差分统计特征、不变矩特征作为半监督极限学习机的输入。利用无标示和有标示数据集,构建半监督极限学习机模型和规划公式,计算隐含层输出矩阵得到优化的分类结果。研究结果表明,基于连续小波变换的特征提取方法相较于HOG、LBP等方法具有更好的识别效果。在故障信息不充分的情况下,半监督极限学习机的模型推广能力强、故障识别率高。