基于VMD和CNN的滚动轴承故障定量诊断方法

发布时间：2020-12-13 13:34

　　针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。 

【文章来源】：中国科技论文. 2020年07期 北大核心

【文章页数】：8 页

【部分图文】：

滚动轴承实验台

将训练集的数据输入神经网络,测试方案1的训练和预测结果如图7所示。由图7(a)可以看出:训练结果中的网络输出值在实际值周围波动,在轴承故障尺寸分别为0.5 mm和0.75 mm时,输出值和实际值非常接近;在轴承故障尺寸为1.00 mm以上时,预测值的波动范围则更大。输出值与实际值的相关系数为0.996 3,平均偏差为0.028 7,说明该神经网络对训练集学习充分。由图7(b)可以看出,在预测结果中,神经网络的输出值与输入的实际值比较接近。输出值的平均值分别为0.41 mm和2.77 mm时,实际值则分别为0.25 mm和3.00 mm,输出值的平均值和实际值之间的误差绝对值为0.16 mm和0.23 mm,对于这种测试集分布在训练集两端之外的极端情况,存在一定程度误差可以接受。

滚动轴承故障定量诊断流程

【参考文献】：
期刊论文
[1]基于变分模态分解的动态阈值分区滤波方法[J]. 陈辉,陈元春,卢柃岐,冯俊,周彬.  中国科技论文. 2017(21)
[2]基于支持向量回归的轴承故障定量诊断应用[J]. 鞠华,沈长青,黄伟国,李双,朱忠奎.  振动.测试与诊断. 2014(04)

硕士论文
[1]基于动态随机卷积神经网络的手写数字识别方法[D]. 刘威.吉林大学 2017
[2]基于卷积神经网络的变速器故障分类识别研究[D]. 曾雪琼.华南理工大学 2016
[3]滚动轴承故障数据集的采集及验证[D]. 刘文强.北京交通大学 2015



本文编号：2914621