基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

• 作者: 尤祥安 詹晓燕 飞景明
• 来源期刊: 测控技术
• 学科: 工学
• 关键词: 故障严重程度识别 局部均值分解 GNN-Adaboost 滚动轴承
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 先进算法与人工智能
• 页码范围: 52-59
• 页数: 8页
• 分类号: TP15
• 字数: 6673字
• 语种: 中文
• DOI: 10.19708/j.ckjs.2019.12.009

摘要

提出一种基于局部均值分解(Local Mean Decomposition,LMD)和遗传神经网络自适应增强(Genet-ic Neural Network Adaptive Boosting,GNN-Adaboost)的滚动轴承损伤程度识别方法.通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数(Production Function,PF),对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数(方差、偏度、峭度),组成故障严重程度识别特征参数矩阵.将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别.结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	飞景明		5	5	1.0	2.0
2	詹晓燕		1	0	0.0	0.0
3	尤祥安		1	0	0.0	0.0