基于CEEMDAN-VSSLMS的滚动轴承故障诊断

TP391.9%TH133.33; 针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法.首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Soft-max分类器完成特征归类,从而实现轴承故障诊断.将提出...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 3; pp. 1138 - 1148
Main Authors 江莉, 向世召
Format Journal Article
LanguageChinese
Published 西安建筑科技大学信息与控制工程学院,陕西 西安 710055 31.03.2024
Subjects
GoogLeNet model
empirical mode decomposition
离散小波变换
最小均方算法
经验模态分解
discrete wavelet transform
轴承故障诊断
GoogLeNet模型
bearing fault diagnosis
least mean square algorithm
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2023.IM09

Cover

More Information
Summary:TP391.9%TH133.33; 针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法.首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Soft-max分类器完成特征归类,从而实现轴承故障诊断.将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度.
ISSN:1006-5911
DOI:10.13196/j.cims.2023.IM09