《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编陈 晓
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于VMD-CNN-BiLSTM的轴承故障多级分类识别

作者:王祎颜,王衍学,姚家驰 日期:2024-09-26/span> 浏览:59 查看PDF文档

基于VMD-CNN-BiLSTM的轴承故障
多级分类识别*
王祎颜,王衍学*,姚家驰

(北京建筑大学 机电与车辆工程学院,北京 102616)


摘要:双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMDCNNBiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。

关键词:双馈风力发电机;变分模式分解-卷积神经网络-双向长短期记忆;鱼鹰-柯西-麻雀搜索算法;轴承故障诊断;多级分类;识别准确率;泛化能力

中图分类号:TH133.33;TM315;TP18文献标识码:A文章编号:1001-4551(2024)09-1554-11



本文引用格式:

王祎颜,王衍学,姚家驰.基于VMD-CNN-BiLSTM的轴承故障多级分类识别[J].机电工程,2024,41(9):1554-1564.

WANG Yiyan, WANG Yanxue, YAO Jiachi. Multi-level classification and identification of bearing faults based on VMD-CNN-BiLSTM model[J].Journal of Mechanical & Electrical Engineering, 2024,41(9):1554-1564.



友情链接

浙江机械信息网