基于GSA-VMD和自適應(yīng)CNN的滾動(dòng)軸承故障診斷*

王亞輝，劉德平，王 宇

(鄭州大學(xué)機(jī)械與動(dòng)力工程學(xué)院，鄭州 450001)

0 引言

軸承是機(jī)械裝置的關(guān)鍵零部件之一。如果軸承出現(xiàn)故障，則會(huì)嚴(yán)重影響機(jī)械裝置的可靠性與穩(wěn)定性，甚至造成巨大的經(jīng)濟(jì)損失，威脅人員的生命健康[1]。因此，研究滾動(dòng)軸承的故障診斷方法具有重要意義。

軸承故障診斷的關(guān)鍵在于提取故障特征與模式識(shí)別。而軸承的振動(dòng)信號(hào)往往具有非線性與非平穩(wěn)的特性，難以提取故障特征[2]。經(jīng)驗(yàn)?zāi)B(tài)分解[3](EMD)、局部均值分解[4](LMD)、變分模態(tài)分解[5](VMD)等是處理非線性與非平穩(wěn)信號(hào)常用的方法之一。但EMD與LMD容易受模態(tài)混疊與端點(diǎn)效應(yīng)的影響[6]。變分模態(tài)分解(VMD)具有可靠的理論基礎(chǔ)，能有效抑制模態(tài)混疊與端點(diǎn)效應(yīng)。但VMD的模態(tài)分解個(gè)數(shù)K與懲罰因子α嚴(yán)重影響信號(hào)的處理結(jié)果[7]。孟宗等[8]采用VMD分解軸承振動(dòng)信號(hào)后，產(chǎn)生的模態(tài)分量(IMF)的能量占比，判斷模態(tài)分量的個(gè)數(shù)K，進(jìn)而提取故障軸承的故障頻率，判斷故障類別。呂陽(yáng)等[9]采用正交實(shí)驗(yàn)的方法確定VMD的模態(tài)分解個(gè)數(shù)K與懲罰因子α，實(shí)現(xiàn)軸承的故障診斷。因此，VMD算法的關(guān)鍵在于確定恰當(dāng)?shù)膮?shù)組合[K,α]。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)的一種方法，具有良好的特征提取能力，適用于軸承診斷的模式識(shí)別[10]。ZHANG等[11]將深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)應(yīng)用到旋轉(zhuǎn)機(jī)械的故障診斷，具有良好的抗干擾性。DING等[12]改進(jìn)CNN的結(jié)構(gòu)，研究了一種多尺度卷積自編碼故障診斷方法，實(shí)現(xiàn)對(duì)軸承的故障診斷。但針對(duì)不同的故障診斷問(wèn)題，需要反復(fù)試驗(yàn)與調(diào)試，才能確定卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)，建立CNN診斷模型。……