摘 要：针对在强噪声干扰下滚动轴承故障诊断准确率较低这一问题，提出一种基于参数优化变分模态分解（VMD）和一维卷积神经网络（1D-CNN）的滚动轴承故障诊断方法。首先，使用哈里斯鹰算法对 VMD 算法中的相关参数进行优化，并根据所得的最佳参数对原始轴承振动信号进行 VMD 分解；其次，依据加权稀疏峭度最大原则优选模态分量，并将最佳分量输入到改进的 1D-CNN 模型进行故障诊断。实验结果表明，该方法具有较强的抗噪性能，在 0 dB 的信噪比情况下仍能保持 94.83% 的故障诊断准确率。
关键词：滚动轴承；故障诊断；变分模态分解；参数优化；一维卷积神经网络；注意力机制
DOI:10.19850/j.cnki.2096-4706.2022.16.018
基金项目：淮北市重大科技专项（Z2020004）
中图分类号：TP18；TH133.33 文献标识码：A 文章编号：2096-4706（2022）16-0066-05
Rolling Bearing Fault Diagnosis Based on Parameter Optimization VMD and 1D-CNN
LI Ziguo1, SHI Qing2, LIU Jichao2, FENG Siqiang2, LI Jingzhao1
(1.School of Computer Science and Engineering, Anhui University of Science and Technology, Huainan 232001, China; 2.Huaibei Hezhong Mechanical Equipment Co., Ltd, Huaibei 235037, China)
Abstract: Aiming at the low accuracy of rolling bearing fault diagnosis under strong noise interference, a rolling bearing fault diagnosis method based on parameter optimization variational modal decomposition (VMD) and one-dimensional convolutional neural network (1D-CNN) is proposed. Firstly, Harris Hawks optimization is used to optimize the relevant parameters in VMD algorithm, and according to the obtained optimal parameters, the original bearing vibration signal is decomposed by VMD; secondly, modal components are optimized according to the principle of maximum weighted sparse kurtosis index, and the optimal components are input into improved 1D-CNN model for fault diagnosis. The experimental results show that this method has strong anti noise performance, and can still maintain 94.83% fault diagnosis accuracy under the signal-to-noise ratio of 0 dB.
Keywords: rolling bearing; fault diagnosis; variational modal decomposition; parameter optimization; one dimensional convolutional neural network; attention mechanism
参考文献：
[1] 丁嘉鑫，王振亚，姚立纲，等 . 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断 [J]. 中国机械工程，2021，32（2）：147-155.
[2] 陈剑，蔡坤奇，陶善勇，等 . 基于 IITD 模糊熵与随机森林的滚动轴承故障诊断方法 [J]. 计量学报，2021，42（6）：774-779.
[3] 于洋，马军，王晓东，等 . 基于 GST 与改进 CNN 的滚动轴承智能故障诊断 [J]. 铁道科学与工程学报，2022，19（7）：2050-2060.
[4] 徐培文，陈仁祥，胡小林，等 .PSO 优化多尺度一维卷积神经网络的风机基础螺栓松动诊断 [J]. 振动与冲击，2022，41（4）：86-92.
[5] 王琦，邓林峰，赵荣珍 . 基于改进一维卷积神经网络的滚动轴承故障识别 [J]. 振动与冲击，2022，41（3）：216-223.
[6] 刘秀丽，王鸽，吴国新，等 .VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断 [J]. 电子测量与仪器学报，2022，36（1）：54-61.
[7] 李翠省，廖英英，刘永强 . 基于 EEMD 和参数自适应VMD的高速列车轮对轴承故障诊断 [J].振动与冲击，2022，41（1）：68-77.
[8] 陈鹏，赵小强 . 基于优化 VMD 与改进阈值降噪的滚动轴承早期故障特征提取 [J]. 振动与冲击，2021，40（13）：146-153.
[9] DRAGOMIRETSKIY K，ZOSSO D. Variational Mode Decomposition [J].IEEE Transactions on Signal Processing，2014，62（3）：531-544.
[10] 杨云，张昊宇，薛元贺，等 . 参数优化 VMD 与 OMPE 结合的滚动轴承故障诊断研究 [J]. 机械科学与技术，2022，41（5）：666-672.
[11] 刘建昌，权贺，于霞，等 . 基于参数优化 VMD 和样本熵的滚动轴承故障诊断 [J]. 自动化学报，2022，48（3）：808-819.
[12] HEIDARIA A, MIRJALILIS, FARISH, et al. Harris hawks optimization: Algorithm and applications [J].Future Generation Computer Systems，2019，97：849-872.
[13] 吕明珠，刘世勋，苏晓明，等 . 基于自适应变分模态分解和包络谐噪比的滚动轴承早期退化检测 [J]. 振动与冲击，2021，40（13）：271-280.
作者简介：李子国（1997—），男，汉族，安徽亳州人，硕士研究生在读，研究方向：故障诊断、深度学习。