基于參數優化VMD和1D-CNN的滾動軸承故障診斷

李子國，石晴，劉繼超，馮思強，李敬兆

（1.安徽理工大學 計算機科學與工程學院，安徽 淮南 232001；2.淮北合眾機械設備有限公司，安徽 淮北 235037)

0 引 言

滾動軸承在旋轉機械系統中扮演著重要角色，其健康狀態決定著整個系統能否平穩高效地運行，而在實際的應用中滾動軸承長期處于高負載狀態，極易出現損壞，若不能及時檢修，將導致整個系統的工作性能下降，甚至會引起重大安全事故，因此對滾動軸承的健康狀態進行監測具有重大的現實意義。

滾動軸承的振動信號蘊含著豐富的狀態信息，能夠真實反映出軸承的運行狀態。丁嘉鑫等使用原始軸承振動信號的廣義復合多尺度加權排列熵作為特征向量，利用支持向量機對滾動軸承進行故障診斷。陳劍等采用改進的固有時間尺度分解算法將原始軸承振動信號分解為多個旋轉分量，利用有效分量的模糊熵構建特征矩陣，使用隨機森林作為多分類器進行狀態分類。上述研究均是通過人工提取特征結合傳統機器學習方法實現故障診斷，但是這類方法存在需要依據先驗知識、通用性較差等問題。

近年來，隨著深度學習技術的快速發展，基于卷積神經網絡（convolutional neural network,CNN）的故障診斷方法廣受研究者的青睞。該類方法以數據為驅動，將特征提取和狀態分類融為一體，構建一種端到端的智能診斷模型，從根本上克服了需要人工選取特征的問題。于洋等提出一種廣義S變換聯合CNN的故障診斷方法，使用廣義S變換將原始軸承振動信號轉換為時頻圖作為CNN的輸入，利用CNN卓越的自適應特征提取能力挖掘數據內部的隱含特征。……