来源：期刊VIP网 时间：
作者：李浩燃;刘德平;
单位：郑州大学机械与动力工程学院;
摘要：【目的】深度学习方法在滚动轴承故障诊断领域的应用十分有效，但传统神经网络由于采用单一尺度的卷积核而无法多尺度提取特征，且并未考虑到不同特征在故障诊断中的重要程度，滚动轴承信号在噪声干扰下的故障特征提取较为困难。为此，提出了一种基于参数优化变分模态分解（Variational Mode Decomposition, VMD）降噪，并用以注意力机制改进的GoogLeNet网络进行诊断的滚动轴承故障诊断方法。【方法】以局部极小包络熵为适应度函数，采用麻雀搜索算法（Sparrow Search Algorithm, SSA）对VMD参数组合[K,α ]进行寻优；利用优化后的VMD算法分解轴承振动信号，得到若干模态分量，根据包络熵和峭度筛选故障特征丰富的模态分量，进行信号重构；以重构信号构建特征矩阵并输入经改进的GoogLeNet网络中完成诊断。【结果】试验结果表明，在不同噪声背景下，该方法诊断准确率为95.5%～99.8%，比其他方法噪声鲁棒性更好。
关键词：滚动轴承;;变分模态分解;;麻雀搜索算法;;卷积神经网络;;故障诊断;;注意力机制
基金资助：河南省重大科技专项(171100210300-01)
