摘要
针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题,提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量,选择合适的分量生成重构信号作为网络输入,提出一种改进的卷积神经网络框架,提高多变量时间序列的诊断效率,选用凯斯西楚大学滚动轴承数据进行试验验证,运用k-折交叉验证来评估模型性能,并通过模拟工业环境的噪声验证了的抗噪性能。结果表明,相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。
作者
关可铭
杜兵
李金峰
靳松
张振涛
GUAN Ke-ming;DU Bing;LI Jin-feng;JIN Song;ZHANG Zhen-tao
出处
《制造业自动化》
北大核心
2023年第1期216-220,共5页
Manufacturing Automation
基金
机械科学研究总院集团有限公司技术发展基金项目(242109Y)。
