CEEMD与卷积神经网络特征提取的故障诊断方法研究 |
| |
引用本文: | 张朝林,范玉刚. CEEMD与卷积神经网络特征提取的故障诊断方法研究[J]. 机械科学与技术, 2019, 38(2): 178-183 |
| |
作者姓名: | 张朝林 范玉刚 |
| |
作者单位: | 昆明理工大学信息工程与自动化学院,昆明650500;云南省矿物管道输送工程技术研究中心,昆明650500;昆明理工大学信息工程与自动化学院,昆明650500;云南省矿物管道输送工程技术研究中心,昆明650500 |
| |
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。
|
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 |
Fault Diagnosis of a Bearing using Feature Extraction Method based on CEEMD Algorithm and CNN |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 CNKI 万方数据 等数据库收录! |
|