基于IMCKD和MCCNN的滚动轴承故障诊断方法

摘要

受外界环境噪声以及振噪耦合的影响,滚动轴承早期故障信号特征微弱,对其实现智能故障诊断具有挑战性。为了解决上述问题,提出一种基于改进最大相关峭度解卷积(improved maximum correlation kurtosis deconvolution,IMCKD)和多通道卷积神经网络(multi-channel convolution neural network,MCCNN)的智能故障诊断方法。首先利用萤火虫算法并行搜寻最大相关峭度解卷积的两个影响参数,对原始振动信号进行自适应滤波,得到诊断用的数据源;然后将其输入到MCCNN中进行特征学习,不断更新网络参数;最后将特征应用于分类器识别,从而实现滚动轴承的智能故障诊断。为了验证方法的可行性和有效性,利用滚动轴承故障模拟试验台采集的数据对该算法进行了验证。试验结果表明,该方法能准确、有效地对滚动轴承的故障类型进行分类,即使在强背景噪声下仍具有90%以上的故障识别率,并具有较好的稳定性和泛化能力。