计量学报

作者：陈剑,黄凯旋,吕伍佯,刘圆圆,杨斌,刘幸福,蔡坤奇

单位：1. 合肥工业大学 噪声振动研究所,安徽 合肥 230009; 2. 安徽省汽车NVH技术研究中心,安徽 合肥 230009;

关键词：计量学; 滚动轴承; 复合型故障诊断; 变工况; 卷积神经网络; 状态识别

基金：国家自然科学基金青年基金(11604070);安徽省重大科技项目(17030901049)

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。

来源：2021年第7期

《计量学报》期刊编辑部

查看计量学报杂志2021年第7期