改进VMD融合深度学习在滚动轴承故障诊断中的应用

作者：金岩磊; 何茂慧; 郭涛; 邓凯

来源：热能动力工程, 2023, 38(02): 144-152.

DOI：10.16146/j.cnki.rndlgc.2023.02.020

• 故障诊断
• 灰狼算法
• 快速谱峭度图
• 变分模态分解
• 深度学习
• 混沌

针对滚动轴承早期振动信号微弱且难以提取的问题，结合灰狼算法与变分模态分解(Variational mode decomposition, VMD)提出改进变分模态分解(Improved variational mode decomposition, IVMD)方法分解轴承故障信号，并基于快速谱峭度图(Fast kurtogram, FK)提取特征分量进行信号重构，采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析，完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度，增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号，快速谱峭度图可有效提取特征分量；采用IVMD-FK进行信号前处理后，经卷积神经网络(Convolutional neural network, CNN)进行故障分类，准确率高达99.99%,远高于传统故障诊断方法；在强噪声环境下此方法仍可较好地进行故障分类，在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性；同时，结合混沌相图与Lyapunov指数反映故障信号的混沌特性，随卷积层数增加Lyapunov指数逐渐减小，表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息，准确进行故障识别。

• 出版日期2023
• 单位南京南瑞继保电气有限公司