基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断
针对滚动轴承工作环境复杂,轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题,提出了利用自适应噪声完备集合经验模态分解算法(CEEMDAN)联合卷积神经网络(CNN)内嵌长短期记忆神经网络(LSTM)的滚动轴承故障诊断方法.首先,利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数(IMF);然后计算重构后的信号的排列熵,归一化后作为特征向量;最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别.结果表明:所提方法具有更快的拟合速度和更高的准确率,平均故障诊断准确率达到 98.63%.
滚动轴承、排列熵、深度学习、自适应噪声完备集合经验模态分解、故障诊断
46
TH133
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共6页
72-77