机床与液压

作者：龙日升，龙海洋，高淑芝，于福一

单位：沈阳化工大学装备可靠性研究所；辽宁省高效化工混合技术重点实验室；沈阳化工大学装备可靠性研究所；沈阳化工大学装备可靠性研究所；辽宁省高效化工混合技术重点实验室；沈阳化工大学装备可靠性研究所

关键词：滚动轴承;表面织构;故障诊断;SVMD;卷积神经网络

基金：辽宁省自然科学基金面上项目 (2023-MS-234)；辽宁省教育厅科技项目 (LJKMZ20220800)；国家自然科学基金项目 (52275156)

针对点状凹坑织构滚动轴承在复杂工况下的故障诊断问题，提出一种基于逐次变分模态分解（SVMD）与卷积神经网络（CNN）的智能诊断方法。利用小波阈值对振动信号进行降噪处理，然后通过SVMD实现信号的自适应分解，提取若干本征模态函数（IMF），并依据能量熵阈值筛选有效模态进行重构，从而突出关键特征。将重构后的信号作为CNN的输入，实现对不同故障类型的自动识别与分类。在织构化HRB30206轴承上进行实验，结果显示：该方法的诊断准确率达到97.8%，显著优于传统的VMD-SVM与VMD-CNN方法，验证了SVMD在特征提取方面的优越性以及CNN在复杂信号分类中的鲁棒性。该方法能够有效提升表面织构轴承在低速重载条件下的故障识别精度，为摩擦学优化轴承的智能诊断提供了参考。

来源：2025年第22期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第22期