滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难。因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通...滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难。因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断。结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57%~13.35%,表明其良好的识别能力和泛化性能。展开更多
为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函...为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函数选取小波系数,使信号重建过程中获得更加精细的有用信号信息。将此方法应用于滚动轴承内圈故障和外圈故障诊断,结果表明与传统ITD方法比较,SITD方法不仅可有效消除背景噪声,同时保留冲击特征,还减少了端点效应,提高了滚动轴承的故障诊断精度。展开更多
文摘为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函数选取小波系数,使信号重建过程中获得更加精细的有用信号信息。将此方法应用于滚动轴承内圈故障和外圈故障诊断,结果表明与传统ITD方法比较,SITD方法不仅可有效消除背景噪声,同时保留冲击特征,还减少了端点效应,提高了滚动轴承的故障诊断精度。
