文献类型：期刊文章

作　　者：张立智[1] 徐卫晓[1] 井陆阳[1] 谭继文[1]

ZHANG Lizhi;XU Weixiao;JING Luyang;TAN Jiwen(Mechanical and Automotive Engineering,Qingdao University of Technologiy Qingdao,266520,China)

机构地区：[1]青岛理工大学机械与汽车工程学院,青岛266520

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(51475249);山东省重点研发计划资助项目(2018GGX103016);山东省高等学校科技计划资助项目(J15LB10)。

年　　份：2020

卷　　号：40

期　　号：6

起止页码：1063-1070

语　　种：中文

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

摘　　要：为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解(empirical mode decomposition,简称EMD)、奇异值分解(singular value decomposition,简称SVD)和深度卷积网络(Convolutional Neural Network,简称CNN)相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量(intrinsic mode function,简称IMF),构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。

关 键 词：滚动轴承  齿轮箱  故障诊断 经验模态分解 奇异值分解 深度卷积网络  

分 类 号：TH16]