基于EMD特征提取与深度学习的轴承故障诊断研究OA
轴承的运行状态与健康水平直接关系到旋转机械设备的稳定性和安全性,因此,开展轴承健康状态的在线监测与智能诊断研究具有重要的工程应用价值。针对旋转机械振动信号固有的非线性、非平稳特性,采用经验模态分解(Empirical Mode Decomposition,EMD)对原始振动信号进行多尺度时频分析,自适应地将其分解为若干本征模态分量(Intrinsic Mode Functions,IMFs),并以此为基础,结合卷积神经网络(Convolutional Neural Network,CNN)构建故障诊断模型。为验证所提方法的有效性,利用凯斯西储大学(CWRU)公开轴承数据集进行实验评估。结果表明,相较于传统支持向量机(Support Vector Machine,SVM)模型,基于CNN的深度学习故障识别方法显著降低了误判率,诊断准确率由86.56%提升至96.01%(平均值),展现了优越的特征提取与分类性能。综上,基于EMD-CNN的深度学习诊断模型能够有效辨识不同轴承故障类型,为旋转机械的状态监测与健康管理提供可靠的技术支撑。
余嘉文;孙鹏;王子鸣
广东白云学院智能制造工程学院,广东广州510000广东白云学院智能制造工程学院,广东广州510000广东白云学院智能制造工程学院,广东广州510000
机械制造
振动信号经验模态分解卷积神经网络故障识别
《农业装备与车辆工程》 2026 (9)
P.88-93,6
广东白云学院2025年度校级项目“基于自适应噪声的集成经验模态分解方法及关键技术研究”(2025BYKY02)。
评论