文献类型：期刊文章

作　　者：何江江[1] 李孝全[2] 赵玉伟[2] 张保山[3] 丁海斌[4]

HE Jiangjiang;LI Xiaoquan;ZHAO Yuwei;ZHANG Baoshan;DING Haibin(Gradute School of Air Force Engineering University,College of Air Force Engineering University,Xi’an 710053P.R.China;Air and Missile Defense College of Air Force Engineering University,Xi’an 710053P.R.China;Unit 92095,Taizhou 318050,Zhejiang,P.R.China;Training Base of Army Engineering University of PLA,Xuzhou 21004,Jiangsu,P.R.China)

机构地区：[1]空军工程大学研究生院,西安710053 [2]空军工程大学防空反导学院,西安710053 [3]92095部队,浙江台州318050 [4]陆军工程大学训练基地,江苏徐州21004

出　　处：《重庆大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(51405505).

年　　份：2020

卷　　号：43

期　　号：1

起止页码：82-89

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。

关 键 词：集合经验模态分解  卷积神经网络 故障诊断

分 类 号：TH133.33] TP183]