典型文献
基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究
文献摘要：
滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难.因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断.结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57％～13.35％,表明其良好的识别能力和泛化性能.
文献关键词：
轴承;固有时间尺度;卷积神经网络;盒维数;故障诊断
中图分类号：
作者姓名：
肖俊青;岳敏楠;李春;金江涛;许子非;缪维跑
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;岳敏楠;李春;金江涛;许子非;缪维跑-.基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究)[J].机械强度,2022(05):1017-1023
A类：
B类：
固有时间尺度分解,轴承故障诊断,诊断研究,滚动轴承,环境复杂,振动信号,环境噪声,噪声干扰,轴承损伤,分形理论,Intrinsic,Time,scale,Decomposition,ITD,非线性特征,故障特征,Convolutional,Neural,Network,轴承智能故障诊断,dB,识别能力,泛化性能,盒维数
AB值：
0.326301
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。
