采用HHT算法与卷积神经网络诊断轴承复合故障

摘要：

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法.首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征.然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型.再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果.最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较.研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100％和99.74％,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性.

关键词：轴承、故障诊断、卷积神经网络、希尔伯特-黄变换、多种群差分进化、集合经验模式分解

所属期刊栏目：36

分类号：TH165;TH17

资助基金：国家自然科学基金面上项目51875272;云南省应用基础研究计划重点项目201601PE00008;云南农业大学自然科学青年基金资助项目2015ZR13

在线出版日期：2020-04-15（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：34-43