TY -的A2 Kumarappan Narayanan AU - Yu,右边盟元康盟-李,文殊盟——赵,楠楠盟——陈、渭滨盟——黄,禅城盟——陈Huiling AU -王,明镜PY - 2021 DA - 2021/02/08 TI -改进蝴蝶Optimizer-Configured极端的学习机器故障诊断SP - 6315010六世- 2021 AB -一个高效的智能故障诊断模型本文提出了及时和准确地识别滚动轴承提供了可靠的依据条件在实际的生产应用程序。蝴蝶模型主要是基于一种改进的优化算法——(BOA)优化内核极端学习机(凯尔姆经常)模型。首先,滚子轴承的振动信号包含正常状态的四个州,外环失败,内心比赛失败,失败和滚球被分解成几个固有模式函数(首先使用完整的集成经验模态分解基于自适应噪声(CEEMDAN)。然后,货币基金的振幅能量熵是指定为滚动轴承的特性。为了消除冗余特征,随机森林是用于接收特性结果的准确性的贡献,和子集的特性建立了通过移除一个特性在降序排列,使用SBOA-KELM模型的分类精度作为标准来获得最优特征子集。樽海鞘群算法(SSA)被介绍给美国银行改善优化能力,获得最佳凯尔姆经常参数,避免蟒蛇恶化成局部优化。最后,一个最优SBOA-KELM模型构造的识别滚动轴承。在实验中,SBOA验证针对IEEE 30日十其他竞争优化算法CEC2017基准函数。实验结果验证,SBOA明显在现有算法对大多数函数问题。SBOA-KELM用于诊断滚动轴承的故障诊断得到改善分类性能和更高的稳定性。 Therefore, the proposed SBOA-KELM model can be effectively used to diagnose faults of rolling bearings. SN - 1076-2787 UR - https://doi.org/10.1155/2021/6315010 DO - 10.1155/2021/6315010 JF - Complexity PB - Hindawi KW - ER -