基于SAVMD与CNN结合的轴承故障诊断方法
宋春生
梁亚茹
鲁妮芳
杜刚
贾博
武汉理工大学机电工程学院,武汉 430070
摘要：由于长期受到复杂环境和设备的噪声信号干扰,旋转机械中轴承的早期不稳定、非线性的故障信号被掩盖,无法准确捕捉原始振动信号的故障特征,正确识别故障类型.针对现在故障状态的缺点,通过研究变分模态分解(Variational Mode Decomposition,VMD)法中的参数[K,α],使用物理系统退火的方式来选取全局优解,提出了模拟退火变分模态分解(Simulated Annealing Variational Mode Decomposition,SAVMD)的特征提取方法.用加权峭度评价指标重构本征模态函数(Intrinsic Mode Function,IMF)分量,将重构信号输入到卷积神经网络(Convolutional Neural Network,CNN)模型进行故障分类,再通过美国凯斯西储大学公开的轴承数据集验证所提方法,诊断准确率达99.28％.引入-6 dB的白噪声模拟高斯噪声环境进行验证,准确率达93.6％,结果表明能够在复杂干扰工况下实现故障轴承的诊断分类.
关键词：轴承故障变分模态分解模拟退火特征提取故障诊断
分类号：TH133.33(机械零件及传动装置)
论文发表日期：2024-06-15
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：9( 509-517 )
英文信息