CEEMD与卷积神经网络特征提取的故障诊断方法研究

• 作者: 张朝林 范玉刚
• 来源期刊: 机械科学与技术
• 学科: 工学
• 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
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 机械动力学
• 页码范围: 178-183
• 页数: 6页
• 分类号: TH11|TP181
• 字数: 3470字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.20180166

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	范玉刚	昆明理工大学信息工程与自动化学院	48	210	8.0	12.0
5	张朝林	昆明理工大学信息工程与自动化学院	5	6	1.0	2.0