融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

摘要

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状,提出一种融合优化的PSORVMD(particle swarm optimization-relevant variational mode decomposition)与SAE(stacked autoencoder)的旋转机械早期故障分类方法;智能分类方法主要由信号增强与智能分类两阶段组成;首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强;最后,将增强的早期微弱信号输入到SAE模型中进行训练;利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类;通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。