基于CEEMDAN模糊熵CNN轴承故障诊断研究

摘要：

为较好地提取强噪声覆盖下滚动轴承振动信号的故障信息,提高故障诊断识别与分类精度,基于模糊熵(Fuzzy Entropy,FE)理论,提出了 一种 自适应白噪声平均总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)模糊熵与卷积神经网络(Convolutional Neural Network,CNN)结合的故障诊断方法,充分利用了模糊熵数据独立性、相对一致性以及模糊性与随机性优势.通过循环抽样求取原始信号模糊熵,利用CEEMDAN方法分解,再由皮尔森相关系数筛选最佳分量组,最终将其输入CNN进行故障诊断,并采用t-SNE流行学习算法进行聚类可视化.其结果证实了不同工况下,相比经验模态分解模糊熵、集合经验模态分解模糊熵方法,所提方法具有更强的鲁棒性与泛化性,且 t-SNE可视化使结果更直观.

关键词：卷积神经网络、轴承、自适应白噪声平均总体经验模态分解、模糊熵、故障诊断

所属期刊栏目：45

分类号：TH133

资助基金：国家自然科学基金;国家自然科学基金;上海市科技创新行动计划地方院校能力建设项目

在线出版日期：2023-03-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：26-33