来源：期刊VIP网 时间：
作者：曹景胜;于洋;王琦;董翼宁;
单位：沈阳工业大学信息科学与工程学院;辽宁工业大学汽车与交通工程学院;
摘要：针对滚动轴承早期故障信号较弱及特征数据提取效果差，导致故障诊断准确率低以及故障诊断效率低的问题，提出一种信号处理结合深度神经网络的故障诊断方法。首先，采用变分模态分解（VMD）法提取主轴承振动数据中的特征数据；然后为了确定VMD算法中最佳的模态分量个数K及惩罚参数α，增强特征提取的效果，将最小排列熵作为适应度函数，采用全局优化能力强的正弦混沌自适应鲸鱼优化算法（CAWOA）进行参数的确定，得到最优模态分量；接着，根据最优模态分量构造特征向量，将特征向量作为CNN-BiLSTM网络的输入，实现故障的分类。最后，根据实验平台采集的数据进行实验分析。结果表明，优化VMD-CNN-BiLSTM轴承故障诊断模型相较于其他故障诊断模型，在准确率以及实时性上均有明显提升。
关键词：变分模态分解(VMD);;卷积神经网络(CNN);;双向长短期记忆(BiLSTM);;滚动轴承;;智能故障诊断;;特征数据提取;;正弦混沌自适应鲸鱼优化算法
基金资助：国家自然科学基金项目（51675257）;国家自然科学基金青年基金项目（51305190）;; 辽宁省教育厅基本科研项目（面上项目）（LJKMZ20220976）;; 辽宁省自然科学基金指导计划项目（20180550020）
