增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别

打开文本图片集

摘要：针对电机轴承振动信号特征提取与工况识别困难的问题，提出一种基于增强辛几何模态分解（ESGMD）和自组织自编码卷积网络（SOAECN）的电机轴承工况识别方法。在辛几何模态分解（SGMD）的基础上将电机轴承振动信号自适应分解为初始辛几何模态分量（ISGMCs），并利用改进凝聚聚类算法对ISGMCs重新组合得到聚类辛几何模态分量（CSGMCs）;提出一种综合评价指标，利用此指标筛选能反映振动信号特征的CSGMCs分量并重构;结合卷积神经网络和小波自编码器，构造自编码卷积网络（AECN），并在AECN基础上改进其损失函数且引入自组织策略，进而构造SOAECN;将重构后的振动信号输入SOAECN进行自动特征提取与工况识别。（剩余14323字）