文档名：基于EMD和CNN的滚动轴承故障诊断方法
由于复杂的工况和噪声的干扰,导致了滚动轴承振动信号的非平稳性.经典的平稳信号处理方法,如频域分析,无法提供信号丰富的内在信息,容易造成故障信息损失.而且传统故障诊断多采用SVM和BP等浅层神经网络,无法表征复杂的多元非线性关系.EMD可以自适应地将非平稳信号分解为本征模式函数,更好地满足非平稳信号的分析;卷积神经网络(CNN)通过构建深层模型,能自动学习海量数据的隐含特征.因此,本文提出了基于EMD和CNN相结合的滚动轴承故障诊断方法.首先,通过EMD和希尔伯特变换将一维时域信号变成二维图像信号,得到信息全貌.然后,利用CNN自适应提取二维图像信号的故障敏感特征,得到更高层次的数据表示;同时对CNN神经网络的结构、迭代次数、最小训练量等参数进行优化.最后,将所提模型用于滚动轴承故障诊断,并与SVM对比,结果表明本文方法具有更高的准确性.
作者：李涛 唐波 王俊奇 段礼祥 袁壮
作者单位：中国石油大学(北京)机械与储运工程学院,北京102249中国石油塔里木油田分公司,库尔勒841000
母体文献：2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议论文集
会议名称：2018年全国设备监测诊断与维护学术会议暨第十六届全国设备故障诊断学术会议、第十八届全国设备监测与诊断学术会议、2018年全国设备诊断工程会议
会议时间：2018年8月1日
会议地点：内蒙古包头
主办单位：中国机械工程学会,中国振动工程学会,中国设备管理协会
语种：chi
分类号：
关键词：滚动轴承 故障诊断 全矢经验模态分解 二维图像信号 卷积神经网络
在线出版日期：2021年12月15日
基金项目：
相似文献
相关博文
- 文件大小:
- 976.7 KB
- 下载次数:
- 60
-
高速下载
|
|
