基于联合指标的滚动轴承振动信号重构及故障诊断

Rolling bearing vibration signal reconstruction based on joint indicators and fault diagnosis

摘要

为了提高滚动轴承特征提取的有效性和故障识别的准确性，提出了一种基于联合指标的信号重构及基于CWT-2DCNN的故障诊断方法。首先，根据峭度和互相关系数构建出联合指标，对通过集成经验模态分解（ensemble empirical mode decomposition，EEMD）得到的本征模态函数（intrinsic mode fuction，IMF）分量进行筛选与重构；其次，运用连续小波变换（continuous wavelet transform，CWT）变换对重构信号进行时频域特征提取；最后，以时频特征图作为输入，构建基于卷积神经网络（convolutional neural network，CNN）的故障识别模型，从而实现滚动轴承故障的智能诊断。实验结果表明，使用信号重构及故障诊断方法故障诊断正确率达到了99.48%，且在强噪声下仍具有较高的正确识别率，说明其具有较强的泛化能力。

关键词

峭度 / 互相关系数 / 卷积神经网络 / 时频特征 / 故障诊断 / 信号重构 / 滚动轴承 / 联合指标

Key words

kurtosis / cross-correlation number / convolutional neural network / time-frequency characteristics / fault diagnosis / signal reconstruction / rolling bearing / joint indicators

基金资助

国家自然科学基金(62003223)