-
题名多尺度加权CEEMD-1DCNN旋转机械故障诊断
被引量：3
- 1
-
-
作者
杜文辽
高军杰
杨凌凯
巩晓赟
王宏超
纪莲清
-
机构
郑州轻工业大学机电工程学院
-
出处
《机床与液压》
北大核心
2023年第17期202-208,共7页
-
基金
国家自然科学基金(52275138)
河南省高校重点科研项目(21A4600033)
河南省水下智能装备重点实验室开放课题项目(KL03C2104)。
-
文摘
旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解(CEEMD)克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络(1DCNN)故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数(IMFs),然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障诊断准确率和鲁棒性。
-
关键词
旋转机械
故障诊断
互补集合经验模态分解
一维卷积神经网络
-
Keywords
Rotating machinery
Fault diagnosis
complementary set empirical modal decomposition
One-dimensional convolutional neural networks
-
分类号
TH165.3
[机械工程—机械制造及自动化]
-
-
题名融合CEEMD和TCN的受热面积灰预测研究
被引量：4
- 2
-
-
作者
韩天翔
史元浩
李孟威
梁建宇
杨彦茹
王江
-
机构
中北大学电气与控制工程学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2022年第10期108-114,共7页
-
基金
国家自然科学基金(72071183)
山西省自然科学基金(201901D111164)
+1 种基金
山西省回国留学人员科研资助项目(2020-114)
中国高校产学研创新基金项目(2019ITA0cxy0023)资助
-
文摘
对锅炉受热面积灰程度的有效预测,可为锅炉提升生产效率和故障预警提供重要依据。采用清洁因子来评估受热面的灰污沉积状况,针对其序列非线性、非平稳性的特点,提出一种基于互补集合经验模态分解与时间卷积网络的受热面积灰预测方法。首先,通过互补集合经验模态分解将经过小波阈值去噪处理后的原始序列分解为一组子序列分量;然后,针对不同子序列分别构建基于时间卷积网络的时序预测模型,并优化网络超参数提升预测准确性;最后,将各IMF分量的预测结果叠加得出清洁因子的预测数值。由实验结果可得,相较于其他两种模型,预测精度分别提高62.1%和57.1%,CEEMD-TCN模型对受热面积灰状况预测精度最高,验证了该模型的准确性和可靠性。
-
关键词
清洁因子
锅炉积灰
互补集合经验模态分解
时间卷积网络
-
Keywords
cleaning factor
boiler ash deposit
complementary set empirical modal decomposition
time convolutional network
-
分类号
TM621.2
[电气工程—电力系统及自动化]
-
