基于固有时间尺度分解与卷积神经网络的轴承故障诊断研究

摘要

滚动轴承工作环境复杂,振动信号的非线性与环境噪声干扰导致故障诊断困难。因此,基于轴承损伤实验数据与分形理论,采用固有时间尺度分解(Intrinsic Time scale Decomposition,ITD)提取振动信号中非线性特征,筛选有效的故障特征分量,通过卷积神经网络(Convolutional Neural Network,CNN)实现轴承智能故障诊断。结果表明,与现有方法相比,ITD-CNN在不同信噪比下均有较高的准确率;在-4 dB信噪比下,准确率仍比现有方法高2.57%~13.35%,表明其良好的识别能力和泛化性能。