基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究
作者：郑一珍,牛蔺楷,熊晓燕,祁宏伟,谢宏浩 单位：太原理工大学机械与运载工程学院；太原理工大学新型传感器与智能控制教育部重点实验室 本文刊于： 《机电工程》 2021年第01期
关键词:
保持架故障诊断 经验模态分解 对称点模式 卷积神经网络 特征融合Keywords
cage fault diagnosis, empirical modal decomposition(EMD), symmetry dot pattern(SDP), convolutional neural network(CNN), feature fusion
全文下载：需积分3点。
摘要
针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。
本文地址：www.fabiao.net/content-24-4044-1.html
本文地址：www.fabiao.net/content-24-4044-1.html
