摘要
针对CEEMDAN算法处理非线性振动信号存在虚假、冗余分量问题,基于分形理论,提出了一种改进自适应白噪声总体平均经验模态分解(ICEEMDAN)融合卷积神经网络(CNN)方法。以轴承损伤实验数据与仿真信号为分析对象,采用CEEMDAN算法将其分解以实现降噪,并采用主成分分析(PCA)降维提取有效的故障特征,利用分形盒维数筛选最佳重构分量并剔除无关分量,最终由CNN对其进一步挖掘实现故障诊断识别与分类。最后,将本文方法与现有多种融合深度学习方法进行对比并采用t-SNE进行可视化分析,以验证本文方法的可靠性和实用性。结果表明:各信噪比方法对实验数据均具有较强的鲁棒性和泛化性,且分类准确率较原始方法提高了0.54%~10.33%。
- 出版日期2022
- 单位上海理工大学