典型文献
基于GSA-VMD和自适应CNN的滚动轴承故障诊断
文献摘要：
针对轴承故障诊断中,变分模态分解(VMD)的参数选择与卷积神经网络架构难以确定的问题,研究一种GSA-VMD和自适应CNN的滚动轴承故障诊断方法.首先,采用引力搜索算法(GSA)优化VMD的参数,接着利用优化的VMD分解轴承的振动信号得到若干模态分量;然后,将模态分量与振动信号结合构建特征矩阵,作为自适应CNN的输入;最后,自适应CNN采用粒子群算法(PSO)解决CNN架构难以确定的问题,适应性地构建CNN故障诊断模型,判断轴承的故障类型.实验结果表明:与ANN、CNN-SVM、WDCNN、GA-CNN诊断方法对比,所提方法准确率更高、稳定性好、适应性强.
文献关键词：
故障诊断;引力搜索算法;变分模态分解;粒子群算法;自适应卷积神经网络
中图分类号：
作者姓名：
王亚辉;刘德平;王宇
作者机构：
郑州大学机械与动力工程学院,郑州 450001
文献出处：
引用格式：
[1]王亚辉;刘德平;王宇-.基于GSA-VMD和自适应CNN的滚动轴承故障诊断)[J].组合机床与自动化加工技术,2022(07):85-89
A类：
WDCNN,自适应卷积神经网络
B类：
GSA,VMD,滚动轴承故障诊断,变分模态分解,参数选择,神经网络架构,难以确定,故障诊断方法,引力搜索算法,振动信号,模态分量,特征矩阵,粒子群算法,PSO,故障诊断模型,断轴,故障类型,ANN,GA,方法对比
AB值：
0.19967
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。
