基于CEEMDAN模糊熵CNN轴承故障诊断研究

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息,提高故障诊断识别与分类精度,基于模糊熵(Fuzzy Entropy, FE)理论,提出了一种自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network, CNN)结合的故障诊断方法,充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势。通过循环抽样求取原始信号模糊熵,利用CEEMDAN方法分解,再由皮尔森相关系数筛选最佳分量组,最终将其输入CNN进行故障诊断,并采用t-SNE流行学习算法进行聚类可视化。其结果证实了不同工况下,相比经验模态分解模糊熵、集合经验模态分解模糊熵方法,所提方法具有更强的鲁棒性与泛化性,且t-SNE可视化使结果更直观。