改进VMD融合深度学习在滚动轴承故障诊断中的应用

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。