电机噪声信号特征提取与故障预测模型建立

作者：谢尚海; 刘吉乔; 李敬兆

来源：煤矿机械, 2023, 44(11): 172-176.

DOI：10.13436/j.mkjx.202311051

• CEEMDAN
• 故障诊断
• 音频信号
• MPE
• 健康预测
• CNN-GRU

针对电机传统故障检测方法中存在特征信息提取效果差、故障诊断精度低的问题，提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）与多尺度排列熵（MPE）结合的卷积神经网络-门控循环单元（CNN-GRU）故障诊断方法。研究结果表明，CEEMDAN-MPE方法能有效地克服经验模态分解（EMD）和集合经验模态分解（EEMD）方法产生模态混叠等问题。与卷积神经网络（CNN）、长短时记忆（LSTM）、CNN-LSTM模型相比较，准确率分别高出了23.92%、16.61%、10.12%。这说明CNN-GRU模型具有更高的预测精度。

• 单位
  安徽理工大学