改进VMD融合深度学习在滚动轴承故障诊断中的应用 |
| |
引用本文: | 金岩磊,何茂慧,郭 涛,邓 凯.改进VMD融合深度学习在滚动轴承故障诊断中的应用[J].热能动力工程,2023,38(2):144. |
| |
作者姓名: | 金岩磊 何茂慧 郭 涛 邓 凯 |
| |
作者单位: | 南京南瑞继保电气有限公司,江苏 南京 211100;国网江苏省电力有限公司检修分公司,江苏 南京 211100 |
| |
摘 要: | 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。
|
关 键 词: | 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 |
|
| 点击此处可从《热能动力工程》浏览原始摘要信息 |
|
点击此处可从《热能动力工程》下载全文 |
|