基于MHLWCELNN的滚动轴承故障识别：提升非线性信号处理性能

本文主要探讨了基于多隐层小波卷积极限学习神经网络（MHLWCELNN）的滚动轴承故障识别方法在煤矿旋转机械中的应用。煤矿环境复杂，滚动轴承振动信号的非线性和非平稳性使得传统的故障识别技术面临挑战。MHLWCELNN结合了一维卷积神经网络（CNN）、自动编码器（AE）、极限学习机（ELM）和小波函数的优点，以提高识别性能。 首先，一维CNN通过局部连接和权值共享机制，减少了模型的参数量，降低了过拟合的风险，提高了计算效率。其次，自动编码器被用来处理无标签轴承振动信号，通过无监督学习提取潜在特征，增强了算法的泛化能力。极限学习机的作用在于优化输出权重，避免陷入局部最优解，同时加快了训练速度，保证了模型的全局优化。 小波函数被选作激活函数，它具有良好的时域和频域分辨率，能够有效捕捉轴承信号的高频成分，显著提升故障特征的表达能力。实验结果显示，MHLWCELNN在滚动轴承故障识别上表现出色，相比于传统方法，其识别准确率更高，标准差更小，能够稳定识别不同类型的轴承故障。此外，对于不平衡的数据集，MHLWCELNN的F1值也证明了其有效性。 高斯小波在时间域和频率域的分辨率都较高，适合作为信号处理中的激活函数，尤其是在处理滚动轴承这类信号时。研究还发现，训练集样本占比设置为80%时，模型的性能最佳，这有利于平衡模型的泛化能力和训练效果。 本文提出的MHLWCELNN是一种创新的滚动轴承故障识别策略，它结合了深度学习和传统方法的优势，有效地解决了非线性和非平稳信号的处理问题，为煤矿旋转机械的健康监测提供了有力工具。这种神经网络架构的推广和应用，将有助于提高煤矿设备的运行效率和安全性。