典型文献
改进CEEMDAN算法与分形融合的深度学习轴承故障分析
文献摘要：
针对CEEMDAN算法处理非线性振动信号存在虚假、冗余分量问题,基于分形理论,提出了一种改进自适应白噪声总体平均经验模态分解(ICEEMDAN)融合卷积神经网络(CNN)方法.以轴承损伤实验数据与仿真信号为分析对象,采用CEEMDAN算法将其分解以实现降噪,并采用主成分分析(PCA)降维提取有效的故障特征,利用分形盒维数筛选最佳重构分量并剔除无关分量,最终由CNN对其进一步挖掘实现故障诊断识别与分类.最后,将本文方法与现有多种融合深度学习方法进行对比并采用t-SNE进行可视化分析,以验证本文方法的可靠性和实用性.结果表明:各信噪比方法对实验数据均具有较强的鲁棒性和泛化性,且分类准确率较原始方法提高了0.54％～10.33％.
文献关键词：
改进CEEMDAN算法;卷积神经网络;轴承;故障诊断
中图分类号：
作者姓名：
肖俊青;金江涛;岳敏楠;李春;许子非;孙康
作者机构：
上海理工大学能源与动力工程学院,上海200093;上海市动力工程多相流动与传热重点实验室,上海200093
文献出处：
引用格式：
[1]肖俊青;金江涛;岳敏楠;李春;许子非;孙康-.改进CEEMDAN算法与分形融合的深度学习轴承故障分析)[J].动力工程学报,2022(06):522-529
A类：
B类：
轴承故障分析,非线性振动,振动信号,分形理论,自适应白噪声,经验模态分解,ICEEMDAN,融合卷积神经网络,轴承损伤,降噪,故障特征,盒维数,诊断识别,识别与分类,深度学习方法,SNE,比方,泛化性,分类准确率
AB值：
0.332078
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。
