基于DVMD降噪的旋转机械故障诊断
尹逊龙1
牟宗磊1
王友清2
1.山东科技大学电气与自动化工程学院,山东青岛2665902.北京化工大学信息科学与技术学院,北京100029;山东科技大学电气与自动化工程学院,山东青岛266590
摘要：针对振动信号噪声难以剔除而造成故障诊断精度低的问题,提出了一种基于深度变分模态分解(DVMD)的旋转机械故障诊断方法.首先,利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化.然后,通过SSA–VMD对信号进行自适应深度分解得到模态分量,将每层深度的分量与原始信号作皮尔逊相关系数分析,再对分量进行奇异值分解(SVD)或者直接剔除,将处理后分量重构后,实现振动信号的深度降噪.最后,提取降噪信号的一维多尺度排列熵特征和二维时频特征,将特征依次放入轻量级梯度提升机(LightGBM)中进行训练,实现故障诊断.设计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证,不仅能够剔除信号的大量噪声,并且提高了故障诊断精度,具有良好的工程应用前景.
关键词：深度变分模态分解麻雀搜索算法降噪深度学习特征提取故障诊断
资助基金：青岛创业创新领军人才计划项目(19?3?2?4?zhc)山东省自然科学基金(ZR2021MF027)
论文发表日期：2022-07-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 1324-1334 )
英文信息