文献类型：期刊文章

作　　者：董绍江[1] 裴雪武[1] 吴文亮[1] 汤宝平[2] 赵兴新[3]

DONG Shaojiang;PEI Xuewu;WU Wenliang;TANG Baoping;ZHAO Xingxin(School of Mechantronics and Vehicle Engineering,Chongqing Jiaotong University,Chongqing 400074;The State Key Laboratory of Mechanical Transmission,Chongqing University,Chongqing 400030;Chongqing Changjiang Bearing Co.,Ltd,Chongqing 401336)

机构地区：[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

出　　处：《机械工程学报》

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

年　　份：2021

卷　　号：57

期　　号：1

起止页码：148-156

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：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(Singularvalue 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。

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

分 类 号：TH165] TN911]