基于MDFF和DCNN-SVM混合网络的滚动轴承故障诊断研究

摘要：

针对滚动轴承的故障类型比较多,且具有明显的不确定性,采集的单一的信号往往包含各种冗余信息且容易受到噪声信号的干扰,文章提出基于多域特征融合(multi-domain featurefusion,MDFF)和DCNN-SVM的滚动轴承故障诊断研究.通过对多个传感器采集轴承的振动信号,通过时域、频域和完备自适应噪声集合经验模态分解(complete ensemble empirical mode decom-position with adaptive noise,CEEMDAN)等方法进行特征提取,利用随机森林算法对敏感特征进行筛选,降低特征维度,将优化后的敏感特征值分别输入到DCNN网络中进行自适应特征提取.利用DCNN网络改变各个敏感特征量的权重值,进行综合训练,获得多域融合特征量,输入到支持向量机中进行故障诊断.通过设置多组对比试验可知,提出的方法的识别准确率达到96.82％,比人工-SVM识别准确率提高19.95％,可以有效实现对滚动轴承故障状态的全面诊断,具有一定的应用价值.

关键词：多域特征融合、随机森林、深度卷积网络、滚动轴承、故障诊断

分类号：TH17

资助基金：国家自然科学基金;国家自然科学基金;山东省重点研发计划项目;山东省自然科学基金;山东省自然科学基金;山东省科技型中小企业创新能力提升工程项目;青岛市科技计划

在线出版日期：2023-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：13-20