完備變分模態(tài)分解和多傳感器卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法

譚亞紅，史耀

(重慶工程職業(yè)技術(shù)學(xué)院智能制造與交通學(xué)院，重慶 402260)

0 前言

滾動軸承被廣泛應(yīng)用于現(xiàn)代旋轉(zhuǎn)機械中，很容易出現(xiàn)損傷而發(fā)生故障。因此，及時對旋轉(zhuǎn)機械軸承進行故障診斷具有重要意義。

實際工業(yè)中傳感器所測得的滾動軸承振動數(shù)據(jù)受噪聲干擾較強，傳統(tǒng)的基于機器學(xué)習(xí)的故障診斷方法存在較大缺陷。卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network，CNN)是深度學(xué)習(xí)的一種重要模型，它能從數(shù)據(jù)中自動學(xué)習(xí)相關(guān)特征，在一定程度上免去了繁瑣的人工特征提取過程。宮文峰等為有效識別軸承微小故障，提出改進DCNNs-SVM方法，減少了CNN訓(xùn)練參數(shù)。曹繼平等采用粒子群優(yōu)化算法確定CNN結(jié)構(gòu)和參數(shù)，故障識別精度高且魯棒性好。但基于CNN的軸承故障診斷普遍存在以下缺陷：(1)CNN對多傳感器振動信號的行、列方向同時卷積運算是不合理的；(2)振動信號中的噪聲會降低CNN的特征提取能力與收斂速率。小波、EMD及其變體等降噪方法均存在一定的缺陷。變分模態(tài)分解(Variational Mode Decomposition，VMD)基于維納濾波理論，具有堅實的數(shù)學(xué)理論基礎(chǔ)，在故障診斷領(lǐng)域得到了一定應(yīng)用。

本文作者在前述研究基礎(chǔ)上，借鑒互補集合模態(tài)分解(Complementary Ensemble Empirical Mode Decomposition，CEEMD)的思想，對多個傳感器測得的軸承振動數(shù)據(jù)進行CVMD分解并進行數(shù)據(jù)重建，將重建數(shù)據(jù)輸入MSCNN進行軸承故障診斷。

1 CVMD降噪理論

1.1 VMD基礎(chǔ)

軸承振動信號的變分模型如式(1)所示：

(1)

式中：{}為VMD的分解分量;{}為中心頻率。式(1)的最優(yōu)解由Lagrange算子求得：

({},{},{})=

(2)

(3)

(4)

1.2 CVMD

為提高VMD分解結(jié)果的魯棒性與穩(wěn)定性，在軸承振動數(shù)據(jù)()中加入……