机械工程学报

作者：董绍江, 裴雪武, 吴文亮, 汤宝平, 赵兴新

单位：1. 重庆交通大学机电与车辆工程学院 重庆 400074;2. 重庆大学机械传动国家重点实验室 重庆 400030;3. 重庆长江轴承股份有限公司 重庆 401336

关键词：故障诊断,奇异值分解,经验模态分解,注意力机制,卷积神经网络；

基金：国家自然科学基金（51775072）和重庆市科技创新领军人才支持计划（CSTCCCXLJRC201920）资助项目。

针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题，提出了一种基于多层降噪技术及改进卷积神经网络（Improved convolution neural network，ICNN）的轴承故障诊断新方法。首先，对滚动轴承的一维振动信号进行预处理，得到标签化的数据样本，分为训练集和测试集；然后采用奇异值分解（Singular value decomposition，SVD）处理训练样本，通过二分之均值法选择有效奇异值个数，获得原始降噪信号和带噪信号；为了避免丢失微弱故障细节特征，将带噪信号经过SVD进一步去噪消除模态混叠并输入经验模态分解（Empirical mode decomposition，EMD）得到内禀模态函数，根据方差贡献率大小选出IMF分量并与原始降噪信号叠加得到最终信号；将处理后的训练集数据输入到引入注意力机制（Attention mechanism，AM）的ICNN中进行学习；最后将得到的诊断模型应用于测试集，输出故障类别诊断结果。通过滚动轴承故障诊断模拟试验，在强噪声环境下进行测试，结果表明所提方法能更准确的在强噪声环境中实现轴承的故障诊断。

来源：2021年第1期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第1期