典型文献
增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别
文献摘要：
针对电机轴承振动信号特征提取与工况识别困难的问题,提出一种基于增强辛几何模态分解(ESGMD)和自组织自编码卷积网络(SOAECN)的电机轴承工况识别方法.在辛几何模态分解(SGMD)的基础上将电机轴承振动信号自适应分解为初始辛几何模态分量(ISGMCs),并利用改进凝聚聚类算法对ISGMCs重新组合得到聚类辛几何模态分量(CSGMCs);提出一种综合评价指标,利用此指标筛选能反映振动信号特征的CSGMCs分量并重构;结合卷积神经网络和小波自编码器,构造自编码卷积网络(AECN),并在AECN基础上改进其损失函数且引入自组织策略,进而构造SOAECN;将重构后的振动信号输入SOAECN进行自动特征提取与工况识别.实验结果表明:ESGMD?SOAECN方法的工况识别率达到了98.76％,自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,可为电机轴承自动工况识别提供参考.
文献关键词：
故障诊断;轴承;工况识别;辛几何模态分解;自组织自编码卷积网络;改进凝聚聚类
中图分类号：
作者姓名：
陈志刚;杜小磊;王衍学
作者机构：
北京建筑大学机电与车辆工程学院,北京 100044;北京市建筑安全监测工程技术研究中心,北京 100044;电子科技大学机械与电气工程学院,四川 成都 611731;城市轨道交通车辆服役性能保障北京市重点实验室,北京 100044
文献出处：
引用格式：
[1]陈志刚;杜小磊;王衍学-.增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别)[J].振动工程学报,2022(04):958-968
A类：
自组织自编码卷积网络,ESGMD,SOAECN,ISGMCs,改进凝聚聚类,CSGMCs,AECN,深度降噪自动编码器
B类：
辛几何模态分解,电机轴承,工况识别,轴承振动,振动信号,信号特征提取,上将,信号自适应分解,模态分量,聚类算法,重新组合,综合评价指标,指标筛选,自编码器,损失函数,组织策略,自动特征提取,识别率,特征提取能力,识别能力,深度稀疏自动编码器,深度信念网络,深度学习方法
AB值：
0.129424
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。
