基于VMD-CWT-CNN的滚动轴承故障诊断
陈代俊
陈里里
董绍江
重庆交通大学 机电与车辆工程学院,重庆 400074
摘要：针对传统故障诊断方法需人工提取特征且识别率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)和连续小波变换(Continuous Wavelet Transform,CWT)并结合卷积神经网络(Convolutional Neural Network,CNN)的VMD-CWT-CNN模型用于滚动轴承故障诊断.首先,通过VMD将轴承振动信号分解为多个具有不同中心频率的模态分量;其次,采用 CWT将模态分量进行计算并转为二维时频图;最后,将时频图输入结构裁剪后的EfficientNet卷积神经网络自动提取特征并完成滚动轴承的故障诊断.使用提出的方法对美国凯斯西储大学 10 类轴承故障数据进行多次实验,平均准确率达到了 99.86%,能有效地完成滚动轴承信号的特征提取以及损伤程度的精确诊断.
关键词：变分模态分解连续小波变换时频图卷积神经网络故障诊断
分类号：TH133.3(机械零件及传动装置)
论文发表日期：2023-12-15
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：6( 1280-1285 )
英文信息