|
|
基于COA-CNN的滚动轴承故障诊断方法研究
别锋锋, , 周兆龙, , 李倩倩, , 丁学平, , 袁为栋, 张瀚阳,
2025, 45(4):
136-142.
滚动轴承大多处于高速、高负载的复杂工况,通常存在较强的非平稳非线性特征,使得对其振动信号分析、故障识别困难。对此,提出一种基于浣熊算法(Coati Optimization Algorithm,COA)优化卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。首先利用差分连续小波变换(Difference Continuous Wavelet Transform,DCWT)对原始振动信号进行预处理,获取包含完整原始特征信息的小波时频图,通过构建COA-CNN模型优化神经网络的核心参数,对所获取的时频特征信息进行识别,由此完成滚动轴承的非平稳信息的提取和模式识别。实验仿真和工程应用研究表明,在复杂工况下该方法可以有效实现滚动轴承典型故障模式的识别。
相关文章 |
计量指标
|