文献类型：期刊文章

作　　者：施杰[1,2] 伍星[1] 刘韬[1]

Shi Jie;Wu Xing;Liu Tao(Faculty of Mechanical and Electrical Engineering,Kunming University of Science and Technology,Kunming 650500,China;Faculty of Mechanical and Electrical Engineering,Yunnan Agriculture University,Kunming 650201,China)

机构地区：[1]昆明理工大学机电工程学院,昆明650500 [2]云南农业大学机电工程学院,昆明650201

出　　处：《农业工程学报》

基　　金：国家自然科学基金面上项目(51875272);云南省应用基础研究计划重点项目(201601PE00008);云南农业大学自然科学青年基金资助项目(2015ZR13)。

年　　份：2020

卷　　号：36

期　　号：4

起止页码：34-43

语　　种：中文

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

摘　　要：针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。

关 键 词：轴承 故障诊断  卷积神经网络 希尔伯特-黄变换 多种群差分进化  集合经验模式分解  

分 类 号：TH165] TH17