-
题名基于特征优选和GA-SVM的滚动轴承智能评估方法
被引量：50
- 1
-
-
作者
周建民
王发令
张臣臣
张龙
尹文豪
李鹏
-
机构
华东交通大学载运工具与装备教育部重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第4期227-234,共8页
-
基金
国家自然科学基金(51865010,51665013)。
-
文摘
针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。
-
关键词
滚动轴承
性能退化评估
集成经验模态分解(EEMD)
特征选择
遗传算法(GA)
支持向量机(SVM)
-
Keywords
rolling bearing
performance degradation assessment
ensemble empirical mode decomposition(EEMD)
feature selection
genetic algorithm(GA)
support vector machine(SVM)
-
分类号
TH133
[机械工程—机械制造及自动化]
TH165.3
[机械工程—机械制造及自动化]
-
-
题名双通道特征融合CNN-GRU齿轮箱故障诊断
被引量：19
- 2
-
-
作者
张龙
甄灿壮
易剑昱
蔡秉桓
徐天鹏
尹文豪
-
机构
华东交通大学机电与车辆工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2021年第19期239-245,294,共8页
-
基金
国家自然科学基金(51665013)
江西省研究生创新资金(YC2019-S243)。
-
文摘
旋转部件是否发生局部故障,关键是判断其振动信号在空间上是否出现周期性冲击以及周期大小。卷积神经网络(CNN)善于挖掘数据空间上的局部重要的信息特征,具有“端对端”的优势,从而克服了人工提取特征的缺陷;由于振动信号在时间维度上也蕴含着丰富的信息,而长短时记忆网络(LSTM)善于从动态变化的序列数据中学习到时间上的关联性;门控递归单元(GRU)属于LSTM的变种,但相对于LSTM结构更加简洁,参数的数量更少,因此将CNN的空间处理能力和GRU时序处理能力的优势结合,提出一种双通道特征融合CNN-GRU齿轮箱故障诊断方法;即采用并列式结构令CNN与GRU双通道同时提取齿轮箱原始振动信号的故障特征,然后将双通道提取的特征向量合并成一个融合特征向量,输入到SoftMax进行故障分类。该方法可以直接从原始振动信号自适应提取到空间和时序的融合特征,实现了“端对端”的故障诊断。用齿轮实测数据和西储大学轴承数据进行验证,试验结果表明,所提方法识别准确率较高,具有实用性和可行性。
-
关键词
齿轮箱
卷积神经网络(CNN)
门控递归单元(GRU)
故障诊断
-
Keywords
gearbox
convolutional neural network(CNN)
gated recurrent unit(GRU)
fault diagnosis
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
