CEEMD与卷积神经网络特征提取的故障诊断方法研究

论文摘要

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。

论文目录

文章来源

类型: 期刊论文

作者: 张朝林,范玉刚

关键词: 特征提取,互补集合经验模态分解,卷积神经网络,自适应

来源: 机械科学与技术 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 昆明理工大学信息工程与自动化学院,云南省矿物管道输送工程技术研究中心

基金: 国家自然科学基金项目(61741310)资助

分类号: TH133.3;TP183

DOI: 10.13433/j.cnki.1003-8728.20180166

页码: 178-183

总页数: 6

文件大小: 2383K

下载量: 582

相关论文文献

标签：特征提取论文;  互补集合经验模态分解论文;  卷积神经网络论文;  自适应论文;