来源：期刊VIP网 时间：
作者：宋春生;梁亚茹;鲁妮芳;杜刚;贾博;
单位：武汉理工大学机电工程学院;
摘要：由于长期受到复杂环境和设备的噪声信号干扰，旋转机械中轴承的早期不稳定、非线性的故障信号被掩盖，无法准确捕捉原始振动信号的故障特征，正确识别故障类型。针对现在故障状态的缺点，通过研究变分模态分解（Variational Mode Decomposition,VMD）法中的参数[K,α]，使用物理系统退火的方式来选取全局优解，提出了模拟退火变分模态分解（Simulated Annealing Variational Mode Decomposition,SAVMD）的特征提取方法。用加权峭度评价指标重构本征模态函数（Intrinsic Mode Function,IMF）分量，将重构信号输入到卷积神经网络（Convolutional Neural Network,CNN）模型进行故障分类，再通过美国凯斯西储大学公开的轴承数据集验证所提方法，诊断准确率达99.28%。引入-6 dB的白噪声模拟高斯噪声环境进行验证，准确率达93.6%，结果表明能够在复杂干扰工况下实现故障轴承的诊断分类。
关键词：轴承故障;;变分模态分解;;模拟退火;;特征提取;;故障诊断
基金资助：中央高校基本科研业务费专项资金（2021IVA117）资助~~
