基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

作     者：盛肖炜 于林鑫 毕鹏飞 康兴汝 朱美臣 SHENG Xiao-wei;YU Lin-xin;BI Peng-fei;KANG Xing-ru;ZHU Mei-chen

作者机构：无锡开放大学机电工程系江苏无锡214000 东北大学信息科学与工程学院辽宁沈阳100180 哈尔滨工程大学自动化学院黑龙江哈尔滨150001 内蒙古北方重工业集团有限公司内蒙古包头014000 浙江联宜电机有限公司浙江义乌322100 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2021年第38卷第9期

页      面：1107-1116页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金资助项目(51907018) 中央高校基本科研业务费专项资金资助项目(N2004009) 国防科技重点实验室稳定支持基金资助项目(JCKYS2019602003) 江苏开放大学办学系统"十三五"2018年度科研规划课题资助项目(2018XTZC16) 

主　　题：滚动轴承 故障诊断 变分模态分解 鲸群优化算法 深度置信网络 麻雀搜索算法 

摘      要：针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。