机床与液压

作者：杜文辽，高军杰，杨凌凯，巩晓赟，王宏超，纪莲清

单位：郑州轻工业大学机电工程学院；郑州轻工业大学机电工程学院；郑州轻工业大学机电工程学院；郑州轻工业大学机电工程学院；郑州轻工业大学机电工程学院；郑州轻工业大学机电工程学院

关键词：旋转机械;故障诊断;互补集合经验模态分解;一维卷积神经网络

基金：国家自然科学基金（52275138）；河南省高校重点科研项目（21A4600033）；河南省水下智能装备重点实验室开放课题项目（KL03C2104）

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。

来源：2023年第17期

《机床与液压》期刊编辑部

查看机床与液压杂志2023年第17期