基于TTAO-VMD与CWT融合的轴承早期故障诊断方法

摘要

针对滚动轴承早期故障信号微弱、易受环境噪声干扰等问题，提出了一种基于双通道特征融合的多尺度卷积神经网络（MSCNN）与长短期记忆网络（LSTM）相结合的故障诊断方法。首先，采用三角拓扑聚合优化算法（TTAO算法）优化变分模态分解（VMD）的惩罚因子和模态分量个数，TTAO算法具有收敛速度快、避免局部最优等优势，能够实现对轴承故障信号的自适应分解；通过斯皮尔曼相关系数筛选有效模态分量并重构信号。其次，将重构的一维信号与原始振动信号经连续小波变换（CWT）生成的二维时频图像分别输入双通道MSCNN，充分融合时域和时频域特征，增强对微弱故障信息的特征提取能力。最后，利用LSTM网络学习时序特征并完成故障分类。实验结果表明，所提方法在西储大学轴承数据集上诊断精度达到100%，显著优于传统方法，验证了其有效性和优越性。

关键词

滚动轴承 / 早期故障诊断 / 多尺度卷积神经网络 / 长短期记忆网络 / 特征融合 / 三角拓扑聚合优化算法

基金资助

国家自然科学基金重点项目（61933013）; 广东省自然科学基金面上项目（2022A1515010599）; 广东石油化工学院博士启动项目（2020bs006）