基于TVFEMD-CNN-CBAM-BiLSTM的滚动轴承故障诊断研究

摘要

针对滚动轴承故障诊断中传统经验模态分解存在的模态混叠、端点效应以及复合故障场景下内外圈故障特征混淆问题，提出一种基于时变滤波经验模态分解-卷积神经网络-卷积注意力模块-双向长短期记忆网络（TVFEMDCNN-CBAM-BiLSTM）的智能诊断框架。首先，选取TVFEMD分解生成的最优本征模态函数并计算其时域统计量的九类物理意义明确的指标，构建高判别性特征集作为输入；然后，利用CNN层提取空间局部模式，CBAM模块的通道-空间双路注意力机制增强故障敏感特征并抑制噪声，BiLSTM层建立故障特征的长期时序依赖关系，最后，经Softmax函数生成六类故障状态（健康、单一故障、复合故障）的概率分布，完成故障诊断。基于德国帕德博恩大学轴承数据对模型进行验证，结果表明，在单一工况和变工况下，TVFEMD-CNN-CBAM-BiLSTM模型故障诊断准确率均可达94%以上，且与传统CNN、BiLSTM以及CNN-BiLSTM模型相比较准确率更高，收敛速度更快，拟合情况更好。

关键词

滚动轴承 / 故障诊断 / 时变滤波经验模态分解 / 卷积注意力