典型文献
基于ADR-SDP-DCNN算法的非稳定工况下港口起重机轴承故障诊断
文献摘要：
针对港口起重机起升机构及运行机构中减速器频繁启停这一非稳定工况而导致的轴承故障难以诊断的问题,提出一种港口起重机轴承故障智能诊断方法.该方法应用角域重采样(angular domain resampling,ADR)技术将非稳定工况下的轴承时域振动信号转化为稳定工况下的角域振动信号;通过自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对信号进行分解与重构来实现去噪的目的,并对重构的信号进行对称点阵(symmetrized dot pattern,SDP)图像可视化;应用深度卷积神经网络(deep convolutional neural network,DCNN)对SDP图进行故障诊断.通过UT6818轴承故障试验台进行3种非稳定工况模拟试验,结果表明,所提方法能够对采集的故障轴承信号进行有效诊断,诊断准确率都达到95％以上,优于相同试验条件下的数种常用算法.
文献关键词：
港口起重机;轴承故障诊断;非稳定工况;角域重采样(ADR);对称点阵(SDP);深度卷积神经网络(DCNN)
中图分类号：
作者姓名：
李胜永;吴丽华;戴雨
作者机构：
江苏航运职业技术学院交通工程学院,江苏 南通226010;江苏省交通运输厅规划研究中心,南京210001
文献出处：
引用格式：
[1]李胜永;吴丽华;戴雨-.基于ADR-SDP-DCNN算法的非稳定工况下港口起重机轴承故障诊断)[J].上海海事大学学报,2022(03):102-110
A类：
symmetrized,UT6818
B类：
ADR,SDP,DCNN,非稳定工况,下港,港口起重机,机轴,轴承故障诊断,起升机构,运行机构,减速器,频繁启停,故障智能诊断,智能诊断方法,重采样,angular,domain,resampling,振动信号,自适应噪声完备集合经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,CEEMDAN,分解与重构,去噪,对称点,点阵,dot,pattern,深度卷积神经网络,deep,convolutional,neural,network,试验台,工况模拟,模拟试验,诊断准确率,试验条件,数种
AB值：
0.354164
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。
