基于IBWO-VMD与CNN-BiLSTM的磁力耦合器轴承故障诊断方法

摘要

针对磁力耦合器轴承故障信号微弱、特征提取困难导致故障分类准确率低的问题，提出一种改进的白鲸优化算法(IBWO)优化变分模态分解(VMD),并结合卷积神经网络(CNN)与双向长短时记忆网络(BiLSTM)组合模型的滚动轴承故障诊断方法。首先使用改进的白鲸优化算法寻优VMD的两个重要参数(模态数目K和惩罚因子α),然后将寻优得到的两个参数代入VMD可以获得K个模态分量(IMF),选择包络熵最小的IMF分量作为有效分量，最后将该分量输入到CNN-BiLSTM模型中进行故障诊断。分别使用凯斯西储大学以及渥太华大学公开数据集进行实验，结果表明，该模型故障识别准确率均达95%以上，证明所提出的诊断方法在识别准确率方面具有明显优势，研究结果可为磁力耦合器轴承的故障诊断提供参考。

关键词

故障诊断 / 变分模态分解 / 改进白鲸算法 / 卷积神经网络 / 双向长短时记忆网络