-
题名基于ISSEWD和SOWN的轴承工况识别研究
被引量：1
- 1
-
-
作者
戚航
郑迎华
陈锡渠
-
机构
新乡职业技术学院汽车技术学院
河南科技学院继续教育学院
-
出处
《机电工程》
CAS
北大核心
2021年第6期740-746,共7页
-
基金
河南省高等职业院校创新发展资助项目(RW 28)。
-
文摘
针对传统滚动轴承运行工况识别方法需要人工特征提取和特征选择的缺陷,提出了一种基于改进谱分割经验小波分解和自组织Wasserstein网络的轴承工况识别方法。首先将采集到的滚动轴承振动信号进行Fourier变换,从而得到了频谱,然后采用四分位数法检测信号频谱边界,进而对信号频谱进行了自适应分割,将滚动轴承振动信号分解为若干本征模态函数;然后筛选出最能反映轴承运行工况特征的IMFs,并进行了信号重构;最后堆叠多个Wasserstein自编码器,进一步构造了Wasserstein网络,并引入了自组织策略,将重构后的振动信号输入自组织Wasserstein网络,进行了自动特征学习与自动工况识别。研究结果表明:基于ISSEWD-SOWN组合模型的滚动轴承识别方法平均工况识别准确率98.98%,标准差仅0.15,相比于其他组合模型在轴承工况识别准确率方面更具优势,适用于滚动轴承运行工况的自动识别。
-
关键词
滚动轴承
改进谱分割经验小波分解
工况识别
自组织Wasserstein网络
本征模态函数
-
Keywords
rolling bearing
improved spectrum segmentation empirical wavelet decomposition(ISSEWD)
condition identification
self-organizing Wasserstein network(SOWN)
intrinsic mode functions(IMFs)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
