典型文献
基于IEWT和IWAAE的滚动轴承故障识别研究
文献摘要：
通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法.首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别.研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28％,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法.
文献关键词：
旋转机械;包络谱分割;改进经验小波变换;改进Wasserstein自编码器;故障特征提取;信号降噪
中图分类号：
作者姓名：
韩建哲;艾建军;邓名姣;袁朴
作者机构：
保定职业技术学院机电工程系,河北保定071000;华南理工大学机械与汽车工程学院,广东广州510640
文献出处：
引用格式：
[1]韩建哲;艾建军;邓名姣;袁朴-.基于IEWT和IWAAE的滚动轴承故障识别研究)[J].机电工程,2022(05):655-661
A类：
IWAAE,包络谱分割
B类：
IEWT,滚动轴承,轴承故障,信号噪声,声导,故障识别率,改进经验小波变换,Wasserstein,故障识别方法,轴承振动,域变换,换到,谱域,极值点,自适应阈值,自动分割,自动分解,频段,调幅,调频,峭度指标,变分自编码器,中间层,删减,重构信号,自动提取,识别精度,特征选择,识别能力,组合模型,模型方法,旋转机械,故障特征提取,信号降噪
AB值：
0.257997
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
