博文
科学家开发出基于WOA-SVMD与多尺度CNN-Transformer的电机轴承故障诊断方法 
精选
|
A WOA-SVMD and multi-scale CNN-transformer method for fault diagnosis of motor bearing
科学家开发出基于WOA-SVMD与多尺度CNN-Transformer的电机轴承故障诊断方法
浙大宁波理工学院Jili Tao团队开发出基于WOA-SVMD与多尺度CNN-Transformer的电机轴承故障诊断方法。相关论文于2026年1月发表在国际学术期刊《测量与控制》上。
针对振动信号去噪与故障精确分类问题，研究人员提出了一种基于WOA-SVMD与多尺度CNN-Transformer的新方法。首先，采用鲸鱼优化算法（WOA）获取逐次变分模态分解（SVMD）的最优参数，并利用SVMD将信号分解为若干本征模态函数（IMFs）。其次，基于相关系数法去除不相关分量，并将剩余IMFs重构为新的信号。随后，利用多尺度卷积神经网络（CNN）与Transformer充分提取信号的局部与全局特征。最后，通过Softmax函数实现故障类型分类。
实验结果表明，所提出的方法能够有效降低噪声干扰，在CWRU数据集上的故障诊断准确率达到99.24%，在PU数据集上的准确率达到99.68%。
据介绍，电机在复杂和极端工况下长期运行可能导致不可预测的故障，因此，电机故障的准确诊断一直受到学者和工程师的高度重视。然而，在特征提取和故障分类过程中，电机滚动轴承振动信号中的噪声会对模型的诊断性能产生显著影响。
Measurement and Control
该刊是一份经过同行评审的开放获取期刊，专注于发表有关测量和控制领域，理论与应用的研究成果。
期刊优势
影响因子：2.0
期刊分区：JCR Q3 AUTOMATION & CONTROL SYSTEMS, INSTRUMENTS & INSTRUMENTATION
期刊网址:
往期研究:
投稿网址:
https://blog.sciencenet.cn/blog-3650976-1540695.html
上一篇：科学家开发出面向智能变电站巡检机器人的改进A*与DWA融合路径规划算法
