基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

• 作者: 乔美英 兰建义 杨金显 汤夏夏 王波 闫书豪
• 来源期刊: 中山大学学报（自然科学版）
• 学科: 工学
• 关键词: 变分模态分解 TEO能量窗函数 深层双向长短记忆神经网络(DBiLSTM) 轴承故障诊断
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 研究论文
• 页码范围: 66-77
• 页数: 12页
• 分类号: TH165.3
• 语种: 中文
• DOI: 10.13471/j.cnki.acta.snus.2019.08.20.2019B081

摘要

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法.首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果.试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	兰建义		23	125	6.0	10.0
2	乔美英		30	109	6.0	9.0
3	杨金显		23	43	4.0	5.0
4	王波		3	0	0.0	0.0
5	闫书豪		3	0	0.0	0.0
6	汤夏夏		2	0	0.0	0.0