来源：期刊VIP网 时间：
作者：魏航信;程欢;吴伟;王晓荣;
单位：西安石油大学机械工程学院;长庆油田油气工艺研究院;
摘要：滚动轴承故障检测信号具有非线性、不平稳的特点，且特征量难以提取，因此提出变分模态分解（VMD）信号的可视化与深度学习神经网络相结合的方法以诊断轴承故障。首先对轴承原始振动信号进行VMD分解，滤除信号噪声；其次采用希尔伯特黄变换消除VMD存在的“欠包络”问题；接着对一维时间序列信号进行可视化变换，提取信号的格莱姆角视场（GAF）二维特征图，以充分反映不同故障的特征。最后采用卷积神经网络（CNN）对可视化图形进行诊断，CNN网络包括两个卷积层和两个池化层，卷积层的内核均为（5×5），池化层内核均为（2×2），卷积层深度分别为20和32。对采集的10类轴承振动信号进行诊断，训练集样本数量为3791，训练精度为96.5%，测试集样本数量为209，测试精度为95.2%，证明了本方法的有效性。
关键词：深度学习;;VMD;;格莱姆角视场;;故障诊断;;滚动轴承
基金资助：国家自然基金青年科学基金项目（51405385）;; 陕西省科技厅科技攻关项目（2014K07-20）
