基于VMD-1DCNN-GRU的轴承故障诊断

摘要

针对滚动轴承信号含噪声导致诊断模型训练困难的问题，提出了一种基于变分模态分解(VMD:Variational Mode Decomposition)和深度学习相结合的轴承故障诊断模型。首先，该方法通过VMD对轴承信号进行模态分解，并且通过豪斯多夫距离(HD:Hausdorff Distance)完成去噪，尽可能保留原始信号的特征。其次，将选择的有效信号输入一维卷积神经网络(1DCNN:1D Convolutional Neural Networks)和门控循环单元(GRU:Gate Recurrent Unit)相结合的网络结构(1DCNN-GRU)中完成数据的分类，实现轴承的故障诊断。通过与常见的轴承故障诊断方法比较，所提VMD-1DCNN-GRU模型具有最高的准确性。实验结果验证了该模型对轴承故障有效分类的可行性，具有一定的研究意义。

关键词

故障诊断 / 深度学习 / 变分模态分解 / 一维卷积神经网络 / 门控循环单元

基金资助

国家自然科学基金资助项目(61873058; 62103096); 海南省科技专项基金资助项目(ZDYF2022SHFZ105); 海南省自然科学基金资助项目(623MS071); 春晖计划基金资助项目(HZKY20220314); 黑龙江省自然科学基金联合引导基金资助项目(LH2022F009); 黑龙江省高校基本科研业务费基金资助项目(2023YDL-18)