基于ALIF和1DCNN的滚动轴承故障诊断方法

作者：聂勇军; 孟金; 肖英楠

来源：机电工程, 2022, 39(10): 1390-1397.

• 自适应局部迭代滤波
• 一维卷积神经网络
• 信号分解重构
• 故障分类
• 冗余信息成分
• 模态混叠
• 故障诊断准确率

在滚动轴承的故障信号中，由于存在较多冗余信息成分的问题，会对基于一维卷积神经网络(1DCNN)的故障诊断的准确度产生干扰，为此，提出了一种基于自适应局部迭代滤波算法(ALIF)和1DCNN的滚动轴承故障诊断方法，即先对原始信号分解重构，再进行分类的智能故障诊断方法。首先，使用ALIF对原始信号进行了分解，其算法相较于其他信号分解算法有较少的模态混叠现象，这得益于保持其原始物理意义中，并最大程度地提取其表征信息，提高其故障诊断正确率；然后，使用了皮尔逊相关系数法选择与原始信号相关最大的本征模函数(IMF)进行了重构，得到了冗余信号较少的信号；最后，直接将处理后的数据作为1DCNN的输入，进行了智能故障诊断。研究结果表明：在对滚动轴承的4种故障状态进行分类的准确度方面，相较于原始方法，基于ALIF和1DCNN的方法准确度提高了8%,其分类准确度达到99%;仿真信号证明了ALIF分解性能的优越性，采用实验台采集的实际数据验证了该方法的先进性。

• 单位
  四川交通职业技术学院; 广州航海学院; 成都理工大学工程技术学院