典型文献
基于双流降维EEMD-CNN滚动轴承故障诊断
文献摘要：
为了提高滚动轴承故障分类的准确率,提出了一种将EEMD与一维卷积神经网络(1D-CNN)相结合的滚动轴承故障识别方法.首先利用EEMD算法将轴承故障振动信号分解为若干条IMF分量,筛选确定可以充分体现故障类型的IMF分量,将原始数据和筛选出的IMF分量分别采用主成分分析算法(PCA)进行降维处理,并将处理后的PCA-IMF分量和原始数据分量分别作为1D-CNN的输入数据进行网络训练和测试,得到故障识别结果.通过对比分析,与EEMD-CNN、EEMD-随机森林等方法的平均准确率进行横向比较,结果表明,EEMD-CNN方法用来识别故障类型更为准确.
文献关键词：
滚动轴承;故障诊断;EEMD-PCA;一维卷积神经网络(1D-CNN)
中图分类号：
作者姓名：
郭梓良;郝如江;王一帆;杨文哲;赵瑞祥
作者机构：
石家庄铁道大学机械工程学院,河北 石家庄 050043
文献出处：
引用格式：
[1]郭梓良;郝如江;王一帆;杨文哲;赵瑞祥-.基于双流降维EEMD-CNN滚动轴承故障诊断)[J].国防交通工程与技术,2022(06):30-33
A类：
B类：
双流,EEMD,滚动轴承故障诊断,故障分类,一维卷积神经网络,1D,故障识别方法,故障振动,振动信号,信号分解,若干条,IMF,故障类型,原始数据,降维处理,输入数据,网络训练,平均准确率,横向比较
AB值：
0.239943
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。
