基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

摘要：

针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)灰度图像编码和卷积神经网络(convolutional neural networks,CNN)的多传感融合轴承故障诊断方法.首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function,IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别.CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90％和100％,结果表明:该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75％和99.90％,证明该方法具有良好的泛化能力和抗噪性能.

关键词：故障诊断、信息融合、变分模态分解(VMD)、卷积神经网络(CNN)、灰度图像

所属期刊栏目：42

分类号：TH133.3;TH17

资助基金：国家自然科学基金;国家自然科学基金;上海申通地铁集团资助项目;上海申通地铁集团资助项目

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：316-326