基于VMD-SPWVD-CNN的滾動(dòng)軸承故障智能診斷*

劉世林，陳里里

(重慶交通大學(xué)機(jī)電與車輛工程學(xué)院，重慶 400074)

0 引言

滾動(dòng)軸承是各類旋轉(zhuǎn)機(jī)械中廣泛使用的通用零部件，它也是機(jī)械設(shè)備中的易損件，而且機(jī)械設(shè)備的性能安全與滾動(dòng)軸承的工作狀態(tài)有直接的關(guān)系[1-2]。滾動(dòng)軸承故障的出現(xiàn)不但會(huì)帶來巨大的經(jīng)濟(jì)損失，甚至?xí)绊懖僮魅藛T的生命安全[3]。因此，在設(shè)備運(yùn)行時(shí)對(duì)滾動(dòng)軸承運(yùn)行狀態(tài)進(jìn)行有效監(jiān)測(cè)，能盡早檢測(cè)出故障，有效地防止因滾動(dòng)軸承故障引起設(shè)備的損壞，為了降低維護(hù)成本以及確保機(jī)械系統(tǒng)運(yùn)轉(zhuǎn)的安全性、可靠性。

目前傳統(tǒng)的基于軸承振動(dòng)信號(hào)的故障診斷方法的關(guān)鍵包括特征提取、模式識(shí)別兩個(gè)方面。曹浩等[4]利用時(shí)域分析和奇異值分解提取了軸承信號(hào)的特征完成滾動(dòng)軸承故障診斷。郝勇等[5]提出了基于信號(hào)的時(shí)域特征和經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)提取的頻率特征結(jié)合最小二乘支持向量機(jī)(LLSVM)的方法，實(shí)現(xiàn)軸承故障的有效診斷。王新等[6]利用變分模態(tài)分解(VMD)對(duì)軸承信號(hào)進(jìn)行模態(tài)分解，提取了各模態(tài)分量的能量特征實(shí)現(xiàn)軸承運(yùn)行狀態(tài)的識(shí)別。以上方法都是通過先人工提取軸承振動(dòng)信號(hào)的特征，再通過選擇的分類器對(duì)提取的特征完成軸承故障的分類識(shí)別任務(wù)。這些傳統(tǒng)機(jī)器學(xué)習(xí)方法被用于診斷不同類型軸承故障，并取得了較好的識(shí)別效果，但基于這些傳統(tǒng)的機(jī)器學(xué)習(xí)方法構(gòu)建的識(shí)別模型在軸承故障的識(shí)別性能上存在一些缺陷。例如，傳統(tǒng)機(jī)器學(xué)習(xí)方法中的人工特征提取步驟依賴于經(jīng)驗(yàn)，需要專業(yè)的領(lǐng)域知識(shí)?！?br>