基于CEEMDAN自适应小波降噪与卷积神经网络的齿轮箱故障诊断研究

摘要：

噪声情况下精确地对齿轮箱进行故障诊断是齿轮箱故障诊断的难题.为了解决该难题,采取自适应小波对自适应噪声完全集合经验模态分解(CEEMDAN)分量进行分解降噪与重组,并提出卷积神经网络(CNN)结合Inception模块的一维卷积神经网络(BICNN)提取重构信号的基本数字特征,同时使用长短期记忆提取BICNN所提取到的特征之间的相关性特征,对齿轮箱进行故障诊断研究.诊断结果表明:所提出的方法具有较高的抗噪声能力,并且齿轮箱在受到-4dB噪声干扰的情况下,所提出的方法仍然可以获得99.63％的训练精度.

关键词：自适应小波分解与重构、自适应噪声完全集合经验模态分解、卷积神经网络、长短期记忆、抗噪声能力、齿轮箱故障诊断

所属期刊栏目：50

分类号：TP277(自动化技术及设备)

资助基金：河北省自然科学基金E2020402060

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：171-180