基于自适应经验小波分解和深层Wasserstein网络的轴承工况识别

• 作者: 左大利
• 来源期刊: 组合机床与自动化加工技术
• 关键词: 滚动轴承 经验小波分解 深度学习 工况识别
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 设计与研究
• 页码范围: 11-15
• 页数: 5页
• 分类号: TH133.3|TG506
• 语种: 中文
• DOI: 10.13462/j.cnki.mmtamt.2021.08.003

摘要

传统滚动轴承工况识别方法需要对采集到的轴承振动信号进行人工特征提取,提出一种基于自适应经验小波分解(adaptive empirical wavelet decomposition,AEWD)和深层Wasserstein网络(deep Wasserstein network,DWN)的工况识别方法.首先,改进经验小波分解频谱的分割方法,进而将滚动轴承振动信号自适应分解为本征模态分量;其次,筛选出最能反映轴承运行工况特征的分量并进行信号重构;最后,构造深层Wasserstein网络,将重构后的轴承振动信号输入DWN进行自动特征提取与工况识别.实验结果表明:AEWD结合DWN方法相比于其它深度学习方法在工况识别准确率方面更具优势.