基于参数优化VMD和改进GoogLeNet的滚动轴承故障诊断

• 作者: 李浩燃
• 来源期刊: 机械传动
• 学科: 工学
• 关键词: 滚动轴承;变分模态分解;麻雀搜索算法;卷积神经网络;故障诊断;注意力机制
• 年，卷（期）: 2025,（1）
• 页码范围: 163-170
• 页数: 8页
• 语种: 中文
• DOI: 10.16578/j.issn.1004.2539.2025.01.020

摘要

【目的】深度学习方法在滚动轴承故障诊断领域的应用十分有效，但传统神经网络由于采用单一尺度的卷积核而无法多尺度提取特征，且并未考虑到不同特征在故障诊断中的重要程度，滚动轴承信号在噪声干扰下的故障特征提取较为困难。为此，提出了一种基于参数优化变分模态分解（Variational Mode Decomposition, VMD）降噪，并用以注意力机制改进的GoogLeNet网络进行诊断的滚动轴承故障诊断方法。【方法】以局部极小包络熵为适应度函数，采用麻雀搜索算法（Sparrow Search Algorithm, SSA）对VMD参数组合[K,α ]进行寻优；利用优化后的VMD算法分解轴承振动信号，得到若干模态分量，根据包络熵和峭度筛选故障特征丰富的模态分量，进行信号重构；以重构信号构建特征矩阵并输入经改进的GoogLeNet网络中完成诊断。【结果】试验结果表明，在不同噪声背景下，该方法诊断准确率为95.5%～99.8%，比其他方法噪声鲁棒性更好。