《机电工程》杂志社 科技期刊 核心期刊 论文投稿 机电一体化 机械、仪表 电工 自动化（最新发布）

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究

作者：郑一珍1，牛蔺楷1，2，熊晓燕1，2*，祁宏伟1，谢宏浩1 日期：2021-03-22/span> 浏览：49 查看PDF文档

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究*
郑一珍1，牛蔺楷1，2，熊晓燕1，2*，祁宏伟1，谢宏浩1
（1.太原理工大学 机械与运载工程学院，山西 太原 030024；
2.太原理工大学 新型传感器与智能控制教育部重点实验室，山西 太原 030024）

摘要:针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题，提出了一种基于EMDSDP特征融合的CNN轴承保持 架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合，展示了不同保持架故障振动信号的时频特性；分析了滚动轴承保持架不同故障状态下的SDP特征图像差异；之后，结合CNN模型进行了SDP图像识别，设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型；最后，通过旋转机械故障试验台，对轴承保持架故障进行了模拟实验。研究结果表明：该方法能够实现99%以上的故障识别率，进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法，可有效应用于轴承保持架故障诊断中。
关键词:保持架故障诊断；经验模态分解；对称点模式；卷积神经网络；特征融合
中图分类号:TH133;TP391      文献标识码:A        文章编号:1001-4551(2021)01-0081-07

本文引用格式:
郑一珍，牛蔺楷，熊晓燕,等.基于EMDSDP特征融合的CNN轴承保持架故障诊断研究［J］.机电工程,2021,38(1):81-87.
ZHENG Yi-zhen, NIU Lin-kai, XIONG Xiao-yan, et al. Fault diagnosis of CNN bearing cage based on EMD-SDP feature fusion［J］.Journal of Mechanical & Electrical Engineering, 2021,38(1):81-87.《机电工程》杂志: