基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

作者：崔桂艳; 钟倩文^*; 郑树彬; 彭乐乐; 文静; 丁亚琦

来源：振动与冲击, 2023, 42(21): 316-326.

DOI：10.13465/j.cnki.jvs.2023.21.038

• 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

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。

• 单位
  上海工程技术大学; 上海地铁维护保障有限公司