文献类型：期刊文章

作　　者：盛肖炜[1] 于林鑫[2] 毕鹏飞[3] 康兴汝[4] 朱美臣[5]

SHENG Xiao-wei;YU Lin-xin;BI Peng-fei;KANG Xing-ru;ZHU Mei-chen(School of Mechanical&Electrical Engineering,Wuxi Open University,Wuxi 214000,China;School of Information Science&Engineering,Northeastern University,Shenyang 100180,China;College of Automation,Harbin Engineering University,Harbin 150001,China;Inner Mongolia North Heavy Industry Group Co.Ltd.,Baotou 014000,China;Zhejiang LINIX Motor Co.Ltd.,Yiwu 322100,China)

机构地区：[1]无锡开放大学机电工程系,江苏无锡214000 [2]东北大学信息科学与工程学院,辽宁沈阳100180 [3]哈尔滨工程大学自动化学院,黑龙江哈尔滨150001 [4]内蒙古北方重工业集团有限公司,内蒙古包头014000 [5]浙江联宜电机有限公司,浙江义乌322100

出　　处：《机电工程》

基　　金：国家自然科学基金资助项目(51907018);中央高校基本科研业务费专项资金资助项目(N2004009);国防科技重点实验室稳定支持基金资助项目(JCKYS2019602003);江苏开放大学办学系统"十三五"2018年度科研规划课题资助项目(2018XTZC16)。

年　　份：2021

卷　　号：38

期　　号：9

起止页码：1107-1116

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。

关 键 词：滚动轴承 故障诊断  变分模态分解  鲸群优化算法  深度置信网络  麻雀搜索算法  

分 类 号：TH133.33] TH17