典型文献
基于DVMD降噪的旋转机械故障诊断
文献摘要：
针对振动信号噪声难以剔除而造成故障诊断精度低的问题,提出了一种基于深度变分模态分解(DVMD)的旋转机械故障诊断方法.首先,利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化.然后,通过SSA–VMD对信号进行自适应深度分解得到模态分量,将每层深度的分量与原始信号作皮尔逊相关系数分析,再对分量进行奇异值分解(SVD)或者直接剔除,将处理后分量重构后,实现振动信号的深度降噪.最后,提取降噪信号的一维多尺度排列熵特征和二维时频特征,将特征依次放入轻量级梯度提升机(LightGBM)中进行训练,实现故障诊断.设计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证,不仅能够剔除信号的大量噪声,并且提高了故障诊断精度,具有良好的工程应用前景.
文献关键词：
深度变分模态分解;麻雀搜索算法;降噪;深度学习;特征提取;故障诊断
中图分类号：
作者姓名：
尹逊龙;牟宗磊;王友清
作者机构：
山东科技大学电气与自动化工程学院,山东青岛266590;北京化工大学信息科学与技术学院,北京100029
文献出处：
引用格式：
[1]尹逊龙;牟宗磊;王友清-.基于DVMD降噪的旋转机械故障诊断)[J].控制理论与应用,2022(07):1324-1334
A类：
DVMD,深度变分模态分解
B类：
降噪,旋转机械故障诊断,振动信号,信号噪声,故障诊断精度,故障诊断方法,麻雀算法,SSA,模态分量,每层,皮尔逊相关系数,相关系数分析,奇异值分解,SVD,维多,多尺度排列熵,熵特征,时频特征,放入,轻量级梯度提升机,LightGBM,风力,涡轮,传动系统,齿轮箱,故障信号,麻雀搜索算法
AB值：
0.240444
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。
