Print

基于EMD与卷积神经网络的滚动轴承故障诊断

论文摘要

为增强滚动轴承故障诊断过程的智能性,提高故障诊断的准确率,并适应大数据故障诊断的需求。文章提出了一种基于经验模态分解(EMD)及卷积神经网络(CNN)的滚动轴承故障特征提取的方法。即将滚动轴承振动信号进行经验模态分解后得到若干个模态分量(IMF),与原始振动数据一起构成二维的特征图,输入卷积神经网络中进行学习训练。最后通过与其他多种方法进行对比验证可以得出,该方法对滚动轴承多种类型多种严重程度的故障有着很高的识别准确率,并且识别过程更具智能性。且增加训练样本的数量可以提高该方法的鲁棒性,更加适合处理针对大数据的故障诊断。

论文目录

  • 0 引言
  • 1 EMD方法
  • 2 卷积神经网络
  •   2.1 卷积层
  •   2.2 池化层
  •   2.3 全连接层
  • 3 故障诊断模型
  • 4 实例
  •   4.1 数据集描述
  •   4.2 卷积神经网络参数选择
  •   4.3 方法对比
  • 5 结论

    • 文章来源

    类型: 期刊论文

    作者: 王海龙,夏筱筠,孙维堂

    关键词: 故障诊断,滚动轴承,卷积神经网络

    来源: 组合机床与自动化加工技术 2019年10期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 机械工业,计算机软件及计算机应用,自动化技术

    单位: 中国科学院沈阳计算技术研究所,中国科学院大学

    基金: “高档数控机床与基础制造装备”国家科技重大专项课题:航空发动机典型零件加工设备国产数控系统换脑工程(2017ZX04011004)

    分类号: TP183;TP391.41;TH133.33

    DOI: 10.13462/j.cnki.mmtamt.2019.10.012

    页码: 46-48+52

    总页数: 4

    文件大小: 1016K

    下载量: 579

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/2df5030825816e0b71878f27.html