基于特征增強與LSTM的滾動軸承故障診斷方法

摘要： 滾動軸承的工作環(huán)境復雜多變，傳統(tǒng)的信號處理技術(shù)難以在噪聲和其他部件的干擾下檢測到微弱的早期故障特征，且傳統(tǒng)的故障診斷方法對人工提取特征較為依賴。針對以上問題，提出基于自適應局部迭代濾波(ALIF)和改進差分進化粒子群優(yōu)化的多點優(yōu)化最小熵解卷積(IDEPSO-MOMEDA)算法，對滾動軸承的故障沖擊成分進行增強。利用ALIF分解信號，根據(jù)峭度-相關(guān)系數(shù)準則對分解的信號進行重構(gòu)；利... （共14頁）