振动与冲击2021，Vol.40Issue(2) ：287-296.DOI:10.13465/j.cnki.jvs.2021.02.039

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

Rolling bearing fault diagnosis using variational mode decomposition and deep convolutional neural network

丁承君 冯玉伯 王曼娜
振动与冲击2021，Vol.40Issue(2) ：287-296.DOI:10.13465/j.cnki.jvs.2021.02.039
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

Rolling bearing fault diagnosis using variational mode decomposition and deep convolutional neural network

丁承君 1冯玉伯 2王曼娜1
扫码查看

作者信息

  • 1. 河北工业大学 机械工程学院,天津 300130
  • 2. 河北工业大学 机械工程学院,天津 300130;天津通信广播集团有限公司,天津 300140
  • 折叠

摘要

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断.利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性.在特征提取的基础上,使用全连接神经网络进行故障分类与诊断.将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定.

关键词

变分模态分解(VMD)/深度卷积神经网络/特征提取/智能故障诊断/滚动轴承

引用本文复制引用

基金项目

基于云服务的远程诊断与在线监测系统项目(15ZXHLGX00210)

临场自重构模块化反恐排爆机器人系统项目(14ZCDZGX00811)

出版年

2021
振动与冲击
中国振动工程学会 上海交通大学 上海市振动工程学会

振动与冲击

CSTPCDCSCD北大核心
影响因子：0.898
ISSN：1000-3835
被引量44
参考文献量13
段落导航相关论文