关键词:
旋转机械
特征提取
卷积神经网络
故障诊断
摘要:
随着工业化水平的日渐提升,大型旋转机械在生产中的使用愈加广泛。转子系统的设计在不断朝着大型、高速化的趋势发展,引发转子系统发生故障的可能性增加。为较好地提取强噪声覆盖下旋转机械振动信号的故障信息,提高故障诊断识别与分类精度,本研究提出了一种基于自适应白噪声平均经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)的故障诊断方法,该方法通过与样本熵(Sample Entropy, SE)的结合,有效利用了其在衡量数据集纯度方面的优势。样本熵能够快速评估数据集的信息量,从而为故障诊断提供了一种高效的数据预处理手段。进一步,本研究将经过预处理的特征数据集输入到一个经过优化的卷积神经网络(Convolutional Neural Network, CNN)模型中。实验结果表明,优化后的故障诊断模型有较高的故障识别能力。