检索结果-南通市图书馆

机电工程 2025年第2期42卷 257-266页

作者：蒋丽英高铭悦李贺沈阳航空航天大学自动化学院辽宁沈阳110136

针对滚动轴承故障振动信号具有非线性和非平稳性等特征,以及单通道卷积神经网络(CNN)提取故障特征不显著的问题,提出了一种基于麻雀算法-变分模态分解(SSA-VMD)和对称点模式(SDP)的双通道CNN滚动轴承故障诊断方法。首先,结合样本熵和皮... 详细信息

针对滚动轴承故障振动信号具有非线性和非平稳性等特征,以及单通道卷积神经网络(CNN)提取故障特征不显著的问题,提出了一种基于麻雀算法-变分模态分解(SSA-VMD)和对称点模式(SDP)的双通道CNN滚动轴承故障诊断方法。首先,结合样本熵和皮尔逊相关系数,构建了新的综合适应度函数,利用麻雀算法(SSA)进行了自适应寻优,确定了最佳的变分模态分解(VMD)参数K和α。将原始振动信号经过VMD分解后,得到了本征模态函数(IMF)分量,通过计算各IMF分量的峭度值进行了筛选,将筛选出的信号进行重构后得到了一维特征信号;然后,根据互相关系数选择了合适的对称点模式(SDP)参数值,将原始振动信号转化为极坐标下的SDP图像,获得了具有良好可分性的二维特征图;最后,将一维和二维特征作为双通道CNN的输入进行了联合训练,将训练好的网络用于故障类型识别,在西储大学和江南大学的轴承数据集上对其有效性进行了验证。研究结果表明:通过网络训练,其故障诊断的准确率分别达到了98.5%和100%。该结果验证了该方法在准确识别故障特征方面具有优越性和普适性。

关键词：一维特征信号构建二维特征转换卷积神经网络麻雀算法变分模态分解对称点模式

来源：

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：