完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

简介

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解(CVMD)和工业多传感器卷积神经网络(MSCNN)相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量(IMFs)并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明:所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。