典型文献
增强经验小波分解和自组织深层网络在轴承工况识别中的研究
文献摘要：
传统滚动轴承工况识别方法存在轴承振动信号人工特征提取困难的问题,提出一种基于增强经验小波分解(Enhanced empirical wavelet decomposition,EEWD)和自组织深层网络(Self-organizing deep network,SODN)的工况识别方法.首先改进经验小波分解的频谱分割方式,将滚动轴承振动信号自适应分解为若干本征模态分量;然后利用综合评价指标筛选出最能反映信号工况特征的本征模态分量并重构信号;最后构造自组织深层网络,将重构后的滚动轴承振动信号输入SODN进行自动特征学习与工况识别.实验结果表明:EEWD结合SODN方法相比于其它深度学习方法在信号特征提取和工况识别准确率方面更具优势.
文献关键词：
滚动轴承;增强经验小波分解;深层网络;工况识别
中图分类号：
作者姓名：
张康智;毕永强;曹鹏飞
作者机构：
西安航空学院机械工程学院,西安 710077;西安兴航航空科技股份有限公司,西安 710077
文献出处：
引用格式：
[1]张康智;毕永强;曹鹏飞-.增强经验小波分解和自组织深层网络在轴承工况识别中的研究)[J].机械科学与技术,2022(06):905-911
A类：
增强经验小波分解,EEWD,SODN
B类：
自组织,深层网络,工况识别,Enhanced,empirical,wavelet,decomposition,Self,organizing,deep,network,分割方式,滚动轴承振动信号,信号自适应分解,本征模态分量,综合评价指标,评价指标筛选,信号工,重构信号,特征学习,深度学习方法,信号特征提取,识别准确率
AB值：
0.236256
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。
