手机知网 App
24小时专家级知识服务
打 开
机械工业
基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断
针对强噪声背景下滚动轴承振动信号故障特征难以提取和识别困难的问题,提出将自适应白噪声平均总体经验模态分解(CEEMDAN)样本熵与卷积神经网络(CNN)联合的故障诊断方法(CEEMDAN样本熵-CNN方法)。基于分形理论,采用CEEMDAN算法分解振动信号并提取其非线性特征,通过分形盒维数筛选最优IMF分量,以其样本熵构成的特征向量输入CNN模型,实现轴承故障的分类和诊断,并进行t-SNE聚类可视化分析。结果表明:在不同工况下,与经验模态分解(EMD)样本熵和集成经验模态分解(EEMD)样本熵方法相比,所提CEEMDAN样本熵-CNN方法具有良好的识别能力和泛化性能,其可视化分析结果更具直观性。
领 域:
格 式:
PDF原版;EPUB自适应版(需下载客户端)
0 212
手机阅读本文
下载APP 手机查看本文
动力工程学报
2022年05期
相似文献
图书推荐
相关工具书

搜 索