基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究
肖俊青1
岳敏楠1
李春2
金江涛1
许子非1
缪维跑1
1.上海理工大学 能源与动力工程学院,上海2000932.上海理工大学 能源与动力工程学院,上海200093;上海市动力工程多相流动与传热重点实验室,上海200093
摘要：滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难.因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断.结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57％～13.35％,表明其良好的识别能力和泛化性能.
关键词：轴承固有时间尺度卷积神经网络盒维数故障诊断
分类号：TH133(机械零件及传动装置)
资助基金：国家自然科学基金(51976131)国家自然科学基金(52006148)上海市科技创新行动计划地方院校能力建设项目(19060502200)
论文发表日期：2022-10-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 1017-1023 )
英文信息