文章详情
| 稿件标题： | 基于AVMD-ASWT-PCNN的滚动轴承故障识别方法 |
| 稿件作者： | 刘志卫1，邱明1，2，李军星1，刘静涛1，高锐1 |
| DOI： | 10.11809/bqzbgcxb2024.09.031 |
| 科学编辑： | 秦毅 博士（重庆大学机械传动国家重点实验室 教授、博导） |
| 栏目名称： | 机械制造与检测技术 |
| 关键词： | 自适应变分模态分解；自适应同步压缩小波变换；卷积神经网络；故障识别 |
| 文章摘要： | 针对传统方法直接舍弃高频分量导致信号降噪不充分和信号在时、频域表征效果不好的问题，提出一种基于自适应变分模态分解融合自适应同步压缩小波变换（AVMDASWT）的少噪声时频图像生成方法，在此基础上结合动态惯性权重粒子群优化卷积神经网络（PCNN）实现滚动轴承故障的识别。采用AVMDASWT算法对轴承振动信号进行二次处理，同时引入互信息熵-相关系数准则，获得高分辨率的少噪声时频图像。将少噪声时频图像作为网络模型的输入进行故障识别，同时采用动态惯性权重粒子群优化算法（PSO）对卷积神经网络模型（CNN）参数进行优化，可解决模型结构难以确定的问题，模型识别正确率和识别速度均有明显提升。工程实例表明：运用AVMDASWT方法得到的时频图像具有更高的分辨率，显著降低了信号中噪声的影响，且提出的PCNN模型的故障识别正确率达99%以上。 |
| 稿件基金： | 国家重点研发计划项目（2020YFB2007303）；国家自然科学基金项目（52005159）；河南省高校青年骨干教师培养计划项目（2021GGJS048）；河南省青年托举人才项目（2023HYTP050） |
| 引用本文格式： | 刘志卫，邱明，李军星，等.基于AVMDASWTPCNN的滚动轴承故障识别方法［J］.兵器装备工程学报，2024，45(9)：244-252. LIU Zhiwei, QIU Ming, LI Junxing, et al.Rolling bearing fault identification method based on AVMDASWTPCNN［J］.Journal of Ordnance Equipment Engineering，2024，45(9)：244-252. |
| 刊期名称： | 2024年09期 |
| 出版时间： | 2024年9月 |
| 收稿日期： | 2023-08-29 |
| 修回日期： | 2023-11-06 |
| 录用日期： | 2024-01-03 |
| 上线时间： | 2024年9月30日 |
| 浏览次数： | 430 |
| 下载次数： | 25 |
| 免费阅读PDF 在线阅读 下载本期目录 下载本期封面 | |