基于優(yōu)化VMD?CNN?BiLSTM的電機(jī)軸承智能故障診斷研究

打開文本圖片集

摘  要： 針對(duì)滾動(dòng)軸承早期故障信號(hào)較弱及特征數(shù)據(jù)提取效果差，導(dǎo)致故障診斷準(zhǔn)確率低以及故障診斷效率低的問題，提出一種信號(hào)處理結(jié)合深度神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先，采用變分模態(tài)分解（VMD）法提取主軸承振動(dòng)數(shù)據(jù)中的特征數(shù)據(jù)；然后為了確定VMD算法中最佳的模態(tài)分量個(gè)數(shù)K及懲罰參數(shù)α，增強(qiáng)特征提取的效果，將最小排列熵作為適應(yīng)度函數(shù)，采用全局優(yōu)化能力強(qiáng)的正弦混沌自適應(yīng)鯨魚優(yōu)化算法（CAWOA）進(jìn)行參數(shù)的確定，得到最優(yōu)模態(tài)分量；接著，根據(jù)最優(yōu)模態(tài)分量構(gòu)造特征向量，將特征向量作為CNN?BiLSTM網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)故障的分類。（剩余10390字）