基于CEEMDAN模糊熵CNN轴承故障诊断研究
肖俊青1
金江涛1
李春2
许子非1
孙康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：为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息,提高故障诊断识别与分类精度,基于模糊熵(Fuzzy Entropy,FE)理论,提出了 一种 自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network,CNN)结合的故障诊断方法,充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势.通过循环抽样求取原始信号模糊熵,利用CEEMDAN方法分解,再由皮尔森相关系数筛选最佳分量组,最终将其输入CNN进行故障诊断,并采用t-SNE流行学习算法进行聚类可视化.其结果证实了不同工况下,相比经验模态分解模糊熵、集合经验模态分解模糊熵方法,所提方法具有更强的鲁棒性与泛化性,且 t-SNE可视化使结果更直观.
关键词：卷积神经网络轴承自适应白噪声平均总体经验模态分解模糊熵故障诊断
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：2023-02-15
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：8( 26-33 )
英文信息