基于参数优化VMD和改进GoogLeNet的滚动轴承故障诊断
李浩燃
刘德平
郑州大学 机械与动力工程学院,郑州 450001
摘要：[目的]深度学习方法在滚动轴承故障诊断领域的应用十分有效,但传统神经网络由于采用单一尺度的卷积核而无法多尺度提取特征,且并未考虑到不同特征在故障诊断中的重要程度,滚动轴承信号在噪声干扰下的故障特征提取较为困难.为此,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)降噪,并用以注意力机制改进的GoogLeNet网络进行诊断的滚动轴承故障诊断方法.[方法]以局部极小包络熵为适应度函数,采用麻雀搜索算法(Sparrow Search Algorithm,SSA)对VMD参数组合[K,α]进行寻优;利用优化后的VMD算法分解轴承振动信号,得到若干模态分量,根据包络熵和峭度筛选故障特征丰富的模态分量,进行信号重构;以重构信号构建特征矩阵并输入经改进的GoogLeNet网络中完成诊断.[结果]试验结果表明,在不同噪声背景下,该方法诊断准确率为95.5%～99.8%,比其他方法噪声鲁棒性更好.
关键词：滚动轴承变分模态分解麻雀搜索算法卷积神经网络故障诊断注意力机制
分类号：TH133.33(机械零件及传动装置)
资助基金：河南省重大科技专项(171100210300-01)
论文发表日期：2025-01-14
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 163-170 )
英文信息