多尺度加权CEEMD-1DCNN旋转机械故障诊断
2023-10-07杜文辽高军杰杨凌凯巩晓赟王宏超纪莲清
机床与液压 2023年17期
杜文辽,高军杰,杨凌凯,巩晓赟,王宏超,纪莲清
(郑州轻工业大学机电工程学院,河南郑州 450002)
0 前言
旋转机械是应用最为广泛的机械设备,被称为现代工业体系的基石。在实际工作环境中,机械设备常处于高温、高冲击的复杂环境,齿轮、轴承是旋转机械的关键零部件,一旦发生故障,轻则导致生产损失,重则危及人员生命安全[1]。因此,对滚动轴承和齿轮的故障进行诊断具有重要意义。
目前基于数据驱动的旋转机械故障诊断主要包括信号获取、特征提取、故障识别与预测3个步骤[2]。传统的研究过程是经过时域、频域和时频域分析来获取信号特征,由于振动信号往往具有非线性、非平稳的特征,传统的傅里叶变换等信号处理方法无法得到满意的结果。为了解决这一问题,多尺度分析方法,如小波变换[3]、短时傅里叶变换[4]、奇异值分解[5]等得到广泛应用。其中,由HUANG等[6]提出的经验模式分解(EMD)方法可以自适应地将任意信号分解为固有模态函数(IMF),但该方法会产生模式混叠[7]。WU、HUANG[8]提出集合经验模式分解方法(EEMD),该方法有效抑制了混叠现象,但是分解不彻底,影响故障诊断结果的准确率。LIU等[9]利用补充的集合经验模态分解(CEEMD)方法,通过向原始信号中添加成对正负白噪声,然后进行EMD分解,减小了EEMD中残余白噪声对信号的影响。
近年来,深度学习在故障诊断领域获得广泛使用[10]。李恒等人[11]利用短时傅里叶变换将一维振动信号转换成二维矩阵输入到卷积神经网络(CNN),能够自动提取故障特征并实现对轴承的故障诊断。……
登录APP查看全文
