基于改进VMD-DBN的轴承故障诊断分类研究
张易平 王吉祥 李丽丽 吴业林 汪敏

合肥经济技术职业学院，安徽省合肥市，230001；

摘要：轴承作为旋转机械中最基本、最关键的精密仪器，其寿命较低，及时诊断出故障轴承可以保证机械稳定运行。轴承振动信号极易受噪声信号影响，常常难以准确提取所需特征，为此提出改进变分模态分解（Modified Variational Mode Decomposition, MVMD）算法配合深度信念网络（Deep Belief Network, DBN）诊断故障。轴承振动信号利用MVMD算法分解，引入递归思想确定分解分量数目，由原始信号经VMD分解出的信号分量与原信号能量值应极大相关，根据它俩的相关系数可以确定模态分解数。确定分解模态数后，将其分解模态分量的能量值作为特征输入DBN，通过soft-max分类器进行分类，即使少量样本训练的情况下，经过充分训练其准确度也可达100%。

关键词：轴承故障;特征提取;变分模态分解;深度信念网络;分类

参考文献

[1]Manjurul L, Jong M K. Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network [J]. Computers in industry, 2019, 106(01): 142-153.

[2]吴涛.基于PSO优化VMD和深度信念网络的滚动轴承故障诊断研究[D].上海第二工业大学,2021.

[3]Huang W, Kong F, Zhao X. Spur bevel gearbox fault diagnosis using wavelet packet transform and rough set theory [J]. Journal of Intelligent Manufacturing, 2018: 1-15.

[4]陆超.基于局部均值分解样本熵及参数迁移学习的轴承故障诊断[D].燕山大学,2019.

[5]吕阳,廖与禾,王报祥等.基于VMD和CNN的滚动轴承故障定量诊断方法[J].中国科技论文,2020,15(07):735-742.

[6]Dragomiretskiy K, Zosso D. Variational mode decomposition [J]. IEEE transactions on signal processing, 2014, 62(3): 531-544.

[7]郝勇,吴文辉,商庆园.基于变分模态分解和支持向量机的滚动轴承品质评估[J].控制理论与应用,2020,37(07):1544-1551.

[8]薛妍,沈宁,窦东阳.基于一维卷积神经网络的滚动轴承故障程度诊断[J].轴承,2021(04):48-54.DOI:10.19533/j.issn1000-3762.2021.04.011.