基于CESGD和IMCCN的轴承故障识别研究

传统滚动轴承故障识别算法存在特征提取与特征选择困难的问题,为此,提出了一种基于完备集成辛几何分解(CESGD)和改进多通道卷积网络(IMCCN)的滚动轴承故障识别方法。首先,在采集到的滚动轴承振动信号中,添加符号相反且幅值相等的正负白噪声对,利用辛几何分解(SGD)将轴承多传感器振动信号分解为若干辛几何模态成分(SGMCs),并进行了集成平均;利用评价指标选择较能反映轴承故障特征的SGMCs分量并重构,进而完成了对轴承振动信号的有效降噪;然后,在卷积神经网络基础上提出了IMCCN结构,并将CESGD降噪后的振动信号输入IMCCN进行自动特征学习与故障识别;最后,为验证CESGD-IMCCN模型的可行性和有效性,在轴承故障模拟实验台以及CWRU轴承数据集上对此进行了测试,并将结果与采用其它方法获得的故障识别结果进行了对比分析。研究结果表明:基于CESGD-IMCCN的模型能够对不同故障工况及故障严重程度类型的滚动轴承进行有效识别和分类,其故障识别率达到99.52%,且标准差仅为0.12;CESGD-IMCCN模型在一定程度上避免了复杂的人工特征提取过程,其故障识别准确率和稳定性较高,在泛化能力、特征提取能力和故障识别能力方面比其他组合模型更具明显优势;对于含有噪声的滚动轴承振动信号,其故障识别准确率依然较高。