清晨好,您是今天最早来到科研通的研友!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您科研之路漫漫前行!

A Novel Fault Diagnosis of a Rolling Bearing Method Based on Variational Mode Decomposition and an Artificial Neural Network

人工神经网络 方位(导航) 断层(地质) 计算机科学 人工智能 模式识别(心理学) 振动 算法 工程类 物理 量子力学 地震学 地质学
作者
Xiaobei Liang,Jinyong Yao,Weifang Zhang,Yanrong Wang
出处
期刊:Applied sciences [MDPI AG]
卷期号:13 (6): 3413-3413 被引量:8
标识
DOI:10.3390/app13063413
摘要

In recent years, artificial neural networks have been widely used in the fault diagnosis of rolling bearings. To realize real-time diagnosis with high accuracy of the fault of a rolling bearing, in this paper, a bearing fault diagnosis model was designed based on the combination of VMD and ANN, which ensures a higher fault prediction accuracy with less computational time. This paper works from two aspects, including fault feature extraction and neural network structural parameter optimization to obtain an ANN bearing fault diagnosis model with high performance. The raw vibration signals of 10 fault types were divided into training, verification and testing datasets by the random step increment slip method. The variational mode decomposition method was used to decompose the raw vibration signal into several intrinsic mode functions. A new definition of the energy of each intrinsic mode function based on discrete Fourier transform and information entropy method were used as the input for the artificial neural network. Furthermore, the structural parameters of the artificial neural network were designed to obtain a high-performance neural network. The artificial neural network used in this paper had three hidden layers and 13 neurons in each hidden layer. Compared with several machine and deep learning algorithms, the artificial neural network can better fulfill the classification task of rolling bearing fault types with a mean prediction accuracy of 99.3% and computation time of 2.4 s based on a small training dataset.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Akim应助Decline采纳,获得10
10秒前
jerry完成签到 ,获得积分10
12秒前
糖宝完成签到 ,获得积分10
13秒前
香蕉觅云应助雪山飞龙采纳,获得10
24秒前
guoxihan完成签到,获得积分10
26秒前
精明书桃完成签到 ,获得积分10
41秒前
Ava应助科研通管家采纳,获得10
43秒前
杳鸢应助雪山飞龙采纳,获得30
46秒前
charliechen完成签到 ,获得积分10
50秒前
croissante完成签到 ,获得积分10
55秒前
淞淞于我完成签到 ,获得积分10
1分钟前
菠萝谷波完成签到 ,获得积分10
1分钟前
杳鸢应助雪山飞龙采纳,获得30
1分钟前
爱静静应助雪山飞龙采纳,获得10
1分钟前
SciGPT应助sasa采纳,获得10
2分钟前
巴山石也完成签到 ,获得积分10
2分钟前
顺利的曼寒完成签到 ,获得积分10
2分钟前
雪山飞龙完成签到,获得积分10
2分钟前
zhdjj完成签到 ,获得积分10
2分钟前
2分钟前
研友_85rWQL发布了新的文献求助10
2分钟前
木耳完成签到,获得积分10
2分钟前
2分钟前
木耳发布了新的文献求助10
2分钟前
梦断奈何完成签到 ,获得积分10
2分钟前
奔跑的蒲公英完成签到,获得积分10
2分钟前
huiluowork完成签到 ,获得积分10
2分钟前
2分钟前
维维完成签到 ,获得积分10
3分钟前
Decline发布了新的文献求助10
3分钟前
摆渡人发布了新的文献求助10
3分钟前
榴莲完成签到,获得积分10
3分钟前
Decline完成签到 ,获得积分10
3分钟前
wyh295352318完成签到 ,获得积分10
4分钟前
courage完成签到,获得积分10
4分钟前
Hello应助陈海明采纳,获得10
5分钟前
个性仙人掌完成签到 ,获得积分10
5分钟前
lielizabeth完成签到 ,获得积分0
6分钟前
医平青云完成签到 ,获得积分10
6分钟前
糊涂的青烟完成签到 ,获得积分10
6分钟前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 500
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3150623
求助须知:如何正确求助?哪些是违规求助? 2802063
关于积分的说明 7846122
捐赠科研通 2459415
什么是DOI,文献DOI怎么找? 1309243
科研通“疑难数据库(出版商)”最低求助积分说明 628725
版权声明 601757