基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

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。     

基于CEEMDAN-Hilbert变换的振动信息分解

为了对轴箱振动信息进行有效时频分析,提出利用完备集合经验模态（CEEMDAN）分解对振动信息进行分解,再通过Hilbert变换求其时频谱、边际谱和奇异值,实现振动信息的分析。通过分析钢轨正常和道岔状态轴箱振动信息,实现对钢轨表面状态的判断。结论如下：正常状态的振动频率主要集中在低频,道岔状态高频部分显著增加,且能量幅值峰值约是正常状态的50倍。道岔状态的边际谱和奇异值幅值均大于正常状态,且幅值峰值约是正常状态的3倍和5倍。