改进经验小波变换和改进字典学习在轴承故障识别中的应用
版权信息:站内文章仅供学习与参考,如触及到您的版权信息,请与本站联系。
信息
资料大小
11.57 MB
文件类型
PDF
语言
简体中文
资料等级
☆☆☆☆☆
下载次数
简介
通过深度学习进行滚动轴承故障识别时,存在因信号噪声导致故障识别率较低和深层网络收敛速度慢的问题。针对上述问题,提出了一种改进经验小波变换(EEWT)和改进字典学习(EDL)的轴承故障识别方法。首先,将轴承振动信号进行包络谱变换,通过包络谱的极值点与自适应阈值的关系进行包络谱边界自动划分,进而利用经验小波变换(EWT)将信号自动分解为调幅-调频(AM-FM)分量;其次,提出一种新的AM-FM分量筛选指标,利用筛选指标选取合适的AM-FM分量进行重构,进而对信号进行有效降噪;最后,利用稀疏性约束逐层学习降噪后轴承故障样本中的典型结构特征,并构造深层故障字典(DFD),将故障样本输入DFD中,根据样本的重建误差确定故障类别。试验结果表明,该方法对噪声的鲁棒性高,故障识别能力优于其他模型,而且该方法可利用驱动字典自动提取轴承振动信号样本中的故障特征;同时,EDL结构使所提取的故障特征具有较好的层次性,符合人对故障的直观认识,可用于滚动轴承故障识别工程中。相关论文
- 2020-07-31五自由度机械手运动学分析及逆解问题研究
- 2021-01-29基于向量范数的6-R机械臂逆解优选
- 2020-08-19钻井平台作业机器人手部平动机构设计研究
- 2024-08-14两种构型码垛机器人运动学与静力学对比分析
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。