典型文献
基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法
文献摘要：
针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation,PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network,MCRNN)的状态识别方法.首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别.其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征.通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别.
文献关键词：
滚动轴承;退化指标;相空间欧式距离相关性(PEDCC);多通道卷积长短时记忆网络(MCRNN);状态识别
中图分类号：
作者姓名：
肖家丰;董绍江;汤宝平;潘雪娇;胡小林;赵兴新
作者机构：
重庆交通大学 机电与车辆工程学院,重庆 400074;磁悬技术与磁浮列车教育部重点实验室,成都 610031;重庆大学 机械传动国家重点实验室,重庆 400044;重庆工业大数据创新中心有限公司,重庆 404100;重庆长江轴承股份有限公式,重庆 401336
文献出处：
引用格式：
[1]肖家丰;董绍江;汤宝平;潘雪娇;胡小林;赵兴新-.基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法)[J].振动与冲击,2022(24):176-183,233
A类：
PEDCC,MCRNN,寿命状态识别,提退
B类：
性能退化,退化指标,滚动轴承,轴承寿命,轴承退化,欧式距离,距离相关,phase,Euclidean,distance,cross,correlation,多通道卷积,卷积长短时记忆网络,multichannel,convolutional,neural,long,short,term,memory,network,相空间重构,欧氏距离,离向,互相关函数,退化状态,卷积核,激活函数,轴承振动,振动信号,多尺度特征,全寿命,命数
AB值：
0.266707
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。
